可解释的CRISPR/Cas9非目标活动与不匹配和indels使用BERT进行预测

科学领域:

• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学

背景情况:

• 由于非目标效应,CRISPR/Cas9基因编辑效率受到限制.
• 现有的深度学习模型难以预测目标之外的活动,因为它们既有不匹配,也有不匹配.
• 数据不平衡和模型可解释性在目标外预测方面带来了挑战.

研究的目的:

• 开发一种基于BERT的新型模型,CRISPR-BERT,用于准确预测非目标活动,包括不匹配和indels.
• 使用适应性批量智能类平衡策略来解决数据不平衡.
• 通过可视化核酸位置依赖模式来增强模型的解释性.

主要方法:

• 开发了基于BERT的深度学习模型CRISPR-BERT,用于预测非目标效应.
• 实施了适应性批量智能类平衡策略,以处理不平衡的数据集.
• 利用可视化方法分析影响非目标活动的核酸水平模式.

主要成果:

• 在多个数据集上,CRISPR-BERT的性能优于现有的方法,用于预测有不匹配和不匹配的目标活动.
• 根据AUROC和PRAUC指标实现了卓越的性能.
• 可视化分析揭示了可概括的模式,并证明了CRISPR-BERT的可解释性.

结论:

• 克里斯普尔-伯特提供了一个准确和可解释的框架,用于预测克里斯普尔/Cas9的脱效应.
• 该模型有助于优化单导向RNA (sgRNA) 设计,以提高目标特异性.
• 这有助于更安全,更有效的基因组编辑应用.