MétaCan
Menu
Retour à la cohorte
Enregistrement W2605682686 · doi:10.21769/bioprotoc.2222

Efficient Generation of Multi-gene Knockout Cell Lines and Patient-derived Xenografts Using Multi-colored Lenti-CRISPR-Cas9

2017· article· en· W2605682686 sur OpenAlexafffund
Lena Behrmann, Scott McComb, Júlia Aguadé-Gorgorió, Yun Huang, Mario Hermann, Paweł Pelczar, Adriano Aguzzi, Jean‐Pierre Bourquin, Beat Bornhäuser

Notice bibliographique

RevueBIO-PROTOCOL · 2017
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueCRISPR and Genetic Engineering
Établissements canadiensNational Research Council Canada
Organismes subventionnairesCanadian Institutes of Health ResearchUniversität ZürichSchweizerischer Nationalfonds zur Förderung der Wissenschaftlichen Forschung
Mots-clésGene knockoutCRISPRCell sortingCas9BiologyComputational biologyTransduction (biophysics)Cell cultureGene knockinGenome editingGeneCell biologyCellGenetics

Résumé

récupéré en direct d'OpenAlex

CRISPR-Cas9 based knockout strategies are increasingly used to analyze gene function. However, redundancies and overlapping functions in biological signaling pathways can call for generating multi-gene knockout cells, which remains a relatively laborious process. Here we detail the application of multi-color LentiCRISPR vectors to simultaneously generate single and multiple knockouts in human cells. We provide a complete protocol, including guide RNA design, LentiCRISPR cloning, viral production and transduction, as well as strategies for sorting and screening knockout cells. The validity of the process is demonstrated by the simultaneous deletion of up to four programmed cell death mediators in leukemic cell lines and patient-derived acute lymphoblastic leukemia xenografts, in which single cell cloning is not feasible. This protocol enables any lab with access to basic cellular biology equipment, a biosafety level 2 facility and fluorescence-activated cell sorting capabilities to generate single and multi-gene knockout cell lines or primary cells efficiently within one month.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,046
Score d'incertitude au seuil0,890

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,046
Tête enseignante GPT0,359
Écart entre enseignants0,313 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBIO-PROTOCOLMême sujetCRISPR and Genetic EngineeringTravaux en français237 207