相关实验视频
Updated: Jun 29, 2026

08:23
CIRCLE-Seq for Interrogation of Off-Target Gene Editing
Published on: November 1, 2024
406
使用双向LSTM与BERT嵌入的双向LSTM预测CRISPR-Cas9在人类初级细胞中的脱效应.
Orhan Sari1, Ziying Liu2, Youlian Pan2
1Department of Mining and Materials Engineering, McGill University, Montreal, QC, H3A 2B1, Canada.
Bioinformatics advances
|January 6, 2025
概括
一种新的深度学习模型CrisprBERT准确地预测了集群定期间隔的短时间Palindromic重复 (CRISPR) -Cas9的目标外效应. 该工具通过先进的序列分析优化单导 RNA 设计,提高基因组编辑效率.
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:
- 集群定期间隔的短时间Palindromic重复 (CRISPR) -Cas9系统是一个革命性的基因组编辑技术.
- 在CRISPR-Cas9应用中,优化单导向RNA (sgRNA) 设计对于高目标效率和最小的目标外影响至关重要.
- 对sgRNA设计的实证测试是资源密集型的,需要先进的计算预测方法.
研究的目的:
- 开发一种高性能深度学习模型,用于预测CRISPR-Cas9基因组编辑中sgRNAs的非目标效应.
- 提高sgRNA设计的准确性和效率,用于治疗和研究应用.
主要方法:
- 开发了CrisprBERT,这是一个使用变压器 (BERT) 双向编码器表示和双向长短期记忆 (LSTM) 网络的深度学习模型.
- 采用双重堆编码来表示Cas9结合的局部能量配置.
- 利用配对的sgRNA和DNA序列来预测非目标效应.
主要成果:
- 与现有的最先进的深度学习模型相比,CrisprBERT表现出卓越的性能.
- 该模型在单次分割,离开-一个-sgRNA-out交叉验证和独立测试中实现了高准确性.
- 深度学习方法有效地捕获了上下文嵌入,用于准确的目标外预测.
结论:
- CrisprBERT提供了一种强大而准确的化工具,用于预测CRISPR-Cas9的脱效应.
- 该模型促进了优化的sgRNA设计,可能加速细胞和基因疗法的发展.
- 克里斯普伯特模型是公开提供用于研究的.

