普莱姆Net:通过深度学习合理设计Prime编辑PegRNAs
Xichen Liao1,2,3, Qi Liu1,2,3, Guohui Chuai1,2,3
1Department of Hematology, Tongji Hospital, Frontier Science Center for Stem Cell Research, Bioinformatics Department, School of Life Sciences and Technology, Tongji University, No. 1239 Siping Road, Yangpu District, Shanghai 200092, China.
Briefings in bioinformatics
|June 19, 2025
概括
我们开发了PrimeNet,这是一种用于prime编辑 (基因编辑工具) 的新型预测模型,集成表观遗传因素以提高准确性. 这一进步旨在提高基因编辑效率,并降低遗传疾病研究的实验成本.
科学领域:
- 分子生物学分子生物学
- 基因组学就是基因组学.
- 生物技术是生物技术.
背景情况:
- 主编辑是一种精确的基因编辑工具,具有研究和治疗方面的潜力.
- 对大片段的低于最佳效率和缺乏准确的预测模型限制了主要编辑的采用.
- 现有的预测模型往往忽略了影响基因编辑结果的关键表观遗传因素.
研究的目的:
- 开发一个新的预测模型,PrimeNet,用于主要编辑.
- 为了提高主要编辑预测的准确性和概括性.
- 将显著的表观遗传因素整合到基因编辑的预测框架中.
主要方法:
- 开发了PrimeNet,这是一个结合染色质可访问性和DNA甲基化数据的预测模型.
- 在模型架构中利用了多尺度卷积和注意力机制.
- 在来自HEK293T和K562细胞系的数据集上训练并验证了模型.
主要成果:
- 在两个不同的细胞线数据集上,PrimeNet实现了高预测准确度,Spearman相关系数为0.94和0.82.
- 该模型与现有的基因编辑预测模型相比,表现出更高的性能.
- 表观遗传因素的整合显著改善了预测能力.
结论:
- PrimeNet提供了一种更准确,更可靠的方法来预测主要编辑效率.
- 该模型可以指导实验设计,提高成功率并降低基因编辑应用的成本.
- 这一进步有可能加速基因编辑在治疗遗传疾病中的应用.
