统一模型预测跨多种细胞系和CRISPR-Cas9系统的gRNA效率
Zhicheng Zhong1, Zeying Li1, Jie Yang2
1Department of Physics, University of Science and Technology of China, Hefei 230026, Anhui, China.
Journal of chemical information and modeling
|November 20, 2023
概括
预测CRISPR-Cas9系统的指导RNA (gRNA) 效率至关重要. 一个新的迈凯利斯-门框架和Uni-deepSG模型统一了多样化的数据集,使更广泛的gRNA设计应用成为可能.
科学领域:
- 基因编辑技术CRISPR-Cas9是基因编辑技术.
- 计算生物学和生物信息学
- 机器学习在生物系统中的应用
背景情况:
- 准确预测导向RNA (gRNA) 效率对于有效的CRISPR-Cas9系统设计至关重要.
- 目前用于gRNA效率预测的机器学习 (ML) 模型通常在各种数据集中存在性能不一致.
- 这种性能不平衡限制了现有的预测工具在各种实验环境中的实际应用.
研究的目的:
- 开发一个强大的理论框架,用于整合来自多个数据集的信息,以改善gRNA效率预测.
- 引入一种新的机器学习模型,Uni-deepSG,能够在不同的实验条件下广泛应用.
- 建立一个通用模型来预测gRNA效率,克服数据集特定方法的局限性.
主要方法:
- 提出了基于迈凯利斯-门运动的理论框架,以整合来自不同来源的数据.
- 利用结合的自由能量作为一个关键的不变量来弥合来自不同实验设置的数据.
- 使用这个综合框架开发和验证了Uni-deepSG机器学习模型.
主要成果:
- 证明结合自由能有效地调和来自各种实验条件的数据.
- Uni-deepSG模型显示了广泛的适用性,在27个不同的数据集上表现良好.
- 这些数据集包括细胞类型的变异,Cas9变异和指导RNA设计.
结论:
- 证实了预测指导RNA效率的通用模型的存在.
- 拟议的迈凯利斯-门框架为通用gRNA效率预测模型提供了理论基础.
- 联合深度SG模型代表了向可靠和广泛适用的CRISPR-Cas9设计工具迈出的重要一步.
