使用PRIDICT2.0和ePRIDICT进行系统的pegRNA设计,以实现高效的prime编辑
Nicolas Mathis1, Kim Fabiano Marquart2, Ahmed Allam3
1Institute of Pharmacology and Toxicology, University of Zurich, Zurich, Switzerland. nicolas.mathis@pharma.uzh.ch.
Nature protocols
|August 15, 2025
概括
计算工具PRIDICT2.0和ePRIDICT预测了主要编辑指导RNA (pegRNA) 的效率,简化了基因修改. 这些机器学习模型通过分析pegRNA设计和染色质上下文来优化主要编辑,加速研究.
科学领域:
- 分子生物学分子生物学
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
背景情况:
- 主编辑是一种精确的基因组编辑技术,可以避免DNA双链断裂.
- 优化主要编辑指南RNA (pegRNA) 设计至关重要,但由于众多变量,在实验上具有挑战性.
- 现有的计算工具在容纳大型编辑或考虑色素上下文方面存在局限性.
研究的目的:
- 开发和介绍PRIDICT2.0和ePRIDICT计算工具,用于预测主要编辑效率.
- 通过评估pegRNA设计和染色质上下文,简化选择最佳的pegRNAs.
- 促进主要编辑在基础和翻译研究中的应用.
主要方法:
- PRIDICT2.0: 一组基于注意力的双向循环神经网络,预测对多种编辑类型 (替换,插入,删除) 的pegRNA效率,最多可达40个基对.
- ePRIDICT:一种渐变增强算法,结合了局部染色体环境和基因组位置效应对主要编辑速率.
- 这两种工具都可以通过Web服务器 (www.pridict.it) 进行个人预测,并可用于批处理的本地安装.
主要成果:
- PRIDICT2.0准确地预测了pegRNA效率,容纳了更大的编辑,并允许静默旁观者编辑以提高效率.
- ePRIDICT整合了染色体上下文,提供了更全面的评估在特定的基因组位置编辑潜力.
- 基于Web的预测速度很快 (不到一分钟),而本地批处理则为广泛的分析提供了可扩展性.
结论:
- PRIDICT2.0和ePRIDICT显著简化和加快了pegRNA设计和选择主要编辑的过程.
- 这些机器学习工具通过考虑序列和表观遗传因素来提高主要编辑的效率和适用性.
- 开发的计算资源预计将促进主要编辑技术在各种研究环境中的使用.
