相关实验视频
Updated: Jul 14, 2025

CIRCLE-Seq for Interrogation of Off-Target Gene Editing
Published on: November 1, 2024
可解释的神经架构搜索和转移学习,以了解CRISPR/Cas9的非目标酶反应
Zijun Zhang1, Adam R Lamson2, Michael Shelley2,3
1Division of Artificial Intelligence in Medicine, Cedars-Sinai Medical Center, 116 N. Robertson Blvd, Los Angeles, 90048, CA, USA.
Elektrum是一个新的深度学习框架,用于模拟生化系统. 它使用可解释的神经网络准确预测细胞过程动力学和CRISPR-Cas9非目标效应.
科学领域:
- 生物化学 生物化学
- 计算生物学 计算生物学
- 机器学习 机器学习
背景情况:
- 酶途径对于细胞功能至关重要,但它们的失调会导致疾病.
- 由于途径的复杂性和细胞/基因组背景,预测生化系统动力学是复杂的.
- 现有的模型往往在解释性和整合各种数据类型方面扎.
研究的目的:
- 引入Elektrum,这是一个深度学习框架,用于生物化学系统的数据驱动和生物物理可解释的动力建模.
- 在复杂的细胞环境中预测通路动力学的挑战.
- 为了提高预测准确度,利用体外和体内数据.
主要方法:
- 假设使用体内运动测试来预测反应速率的动态解释神经网络 (KINNs) 集合.
- 通过将KINNs集成到更深层的卷积神经网络中,采用一种新的转移学习方法.
- 通过结合细胞背景来微调体内结果的预测.
主要成果:
- Elektrum有效地利用有限的体外数据和复杂的体内数据进行可靠的预测.
- 应用到CRISPR-Cas9的目标外编辑预测实现了最先进的性能.
- 该框架展示了神经网络架构的规范化,同时保持了物理可解释性.
结论:
- Elektrum提供了一个强大且可解释的深度学习框架,用于建模生化动力学.
- 该方法成功地整合了体外和体内数据,以改善生物预测.
- Elektrum为了解细胞过程和预测基因编辑效率等结果提供了一个有前途的工具.
更多相关视频
11:37Using Sniper-Cas9 to Minimize Off-target Effects of CRISPR-Cas9 Without the Loss of On-target Activity Via Directed Evolution
Published on: February 26, 2019
09:39CRISPR-mediated Loss of Function Analysis in Cerebellar Granule Cells Using In Utero Electroporation-based Gene Transfer
Published on: June 9, 2018
相关概念视频
CRISPR/Cas9 Genome Editing
CRISPR
CRISPR and crRNAs
The CRISPR-Cas system stores a copy of foreign DNA in the host genome and uses it to identify the foreign DNA upon reinfection. CRISPR-Cas has three different...
Homologous Recombination
Conservative Site-specific Recombination and Phase Variation
The recognition sites for Cre recombinase called LoxP...