Pooled CRISPR-Based Genetic Screens in Mammalian Cells
Notice bibliographique
Résumé
Genome editing using the CRISPR-Cas system has vastly advanced the ability to precisely edit the genomes of various organisms. In the context of mammalian cells, this technology represents a novel means to perform genome-wide genetic screens for functional genomics studies. Libraries of guide RNAs (sgRNA) targeting all open reading frames permit the facile generation of thousands of genetic perturbations in a single pool of cells that can be screened for specific phenotypes to implicate gene function and cellular processes in an unbiased and systematic way. CRISPR-Cas screens provide researchers with a simple, efficient, and inexpensive method to uncover the genetic blueprints for cellular phenotypes. Furthermore, differential analysis of screens performed in various cell lines and from different cancer types can identify genes that are contextually essential in tumor cells, revealing potential targets for specific anticancer therapies. Performing genome-wide screens in human cells can be daunting, as this involves the handling of tens of millions of cells and requires analysis of large sets of data. The details of these screens, such as cell line characterization, CRISPR library considerations, and understanding the limitations and capabilities of CRISPR technology during analysis, are often overlooked. Provided here is a detailed protocol for the successful performance of pooled genome-wide CRISPR-Cas9 based screens.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».