改进了基于机器学习的模型,用于CRISPR/Cpf1系统中的非目标的分类

科学领域:

• 基因组学就是基因组学.
• 分子生物学分子生物学
• 生物信息学是一种生物信息学.

背景情况:

• 向核酶能够使用指导RNA (gRNA) 进行精确的基因组改变.
• 在CRISPR-Cas系统中,由于不匹配耐受性引起的目标外活动阻碍了临床应用.
• 在确保目标效率的同时,尽量减少非目标效应对于安全的基因组编辑至关重要.

研究的目的:

• 设计一条计算管道,用于预测人类基因组中的非目标部位.
• 开发一种多层感知子 (MLP) 模型,用于预测非目标地点的裂变效率.
• 确定与序列和热力学相关的特征,区分高活性与低活性非目标.

主要方法:

• 创建了一个管道,以预测给定目标序列的潜在目标外站点.
• 一个多层感知子 (MLP) 模型被训练使用序列和绑定与能量相关的特征为AsCpf1和LbCpf1.
• 分析包括核酸位置偏好,不匹配分布,以及非目标分类的特征重要性.

主要成果:

• 蒂因在原生空间器相邻动机 (PAM) 附近不受青,而瓜在高活性非目标中受青.
• 干部区域的不匹配 (来自PAM的位置16-18) 和过渡不匹配是高活性目标之外的特征.
• MLP确定了低至中等的化温度和依赖基的PAM结合能作为高活性目标之外的关键预测因素.

结论:

• 这项研究提供了对控制CRISPR-Cas目标外活动的序列特征的见解.
• 开发的MLP模型和识别的特征可以帮助最大限度地减少基因组编辑中的非目标突变.
• 这项工作有助于提高基于CRISPR-Cas的治疗策略的安全性和有效性.