DeepMEns:基于多个特征预测sgRNA目标活动的集合模型.
Shumei Ding1, Jia Zheng1, Cangzhi Jia1
1School of Science, Dalian Maritime University, Dalian 116026, China.
Briefings in functional genomics
|November 11, 2024
概括
DeepMEns是一个可解释的深度学习模型,通过准确预测单导向RNA (sgRNA) 目标活动来增强CRISPR/Cas9基因编辑. 这一进步提高了基因编辑应用的可靠性和效率.
科学领域:
- 基因组学和生物信息学
- 分子生物学分子生物学
- 计算生物学 计算生物学
背景情况:
- CRISPR/Cas9系统,特别是Streptococcus pyogenes Cas9 (SpCas9),对基因编辑有很大的前景.
- 单导向RNA (sgRNA) 目标效率的变化限制了CRISPR/Cas9的成功应用.
- 预测sgRNA活动的现有深度学习模型缺乏解释性,并有能力提高性能.
研究的目的:
- 开发一个可解释的深度学习模型,DeepMEns,用于预测sgRNA在目标上的活动.
- 在解释性和预测准确性方面克服现有模型的局限性.
- 通过改进的sgRNA设计,提高CRISPR/Cas9基因编辑的效率和可靠性.
主要方法:
- 开发了DeepMEns,这是一个使用深度学习的集体可解释模型.
- 集成了三种不同的输入特征类型:二次结构的一次性编码,DNA形状特征和位置编码特征.
- 使用转换器编码器的卷积神经网络 (CNN) 和具有注意力机制的长短期记忆 (LSTM) 网络.
- 构建了五个子回归器,对最终输出的预测进行了平均.
主要成果:
- DeepMEns实现了最先进的性能,证明了卓越的预测准确性.
- 与之前的预测器相比,该模型在10个独立测试数据集中的6个中获得了最高的斯皮尔曼相关系数.
- 废弃分析证实,整体策略显著提高了预测模型的性能.
结论:
- DeepMEns在预测sgRNA目标活动方面取得了重大进展,改善了CRISPR/Cas9基因编辑.
- 该模型的可解释性允许更好地了解影响sgRNA效率的因素.
- DeepMEns为设计更有效的sgRNA提供了可靠的工具,为更精确的基因编辑结果铺平了道路.
