Transcriptome-wide Cas13 guide RNA design for model organisms and viral RNA pathogens
Notice bibliographique
Résumé
Abstract CRISPR-Cas13 mediates robust transcript knockdown in human cells through direct RNA targeting. Compared to DNA-targeting CRISPR enzymes like Cas9, RNA targeting by Cas13 is transcript- and strand-specific: It can distinguish and specifically knock-down processed transcripts, alternatively spliced isoforms and overlapping genes, all of which frequently serve different functions. Previously, we identified optimal design rules for Rfx Cas13d guide RNAs (gRNAs), and developed a computational model to predict gRNA efficacy for all human protein-coding genes. However, there is a growing interest to target other types of transcripts, such as noncoding RNAs (ncRNAs) or viral RNAs, and to target transcripts in other commonly-used organisms. Here, we predicted relative Cas13-driven knock-down for gRNAs targeting messenger RNAs and ncRNAs in six model organisms (human, mouse, zebrafish, fly, nematode and flowering plants) and four abundant RNA virus families (SARS-CoV-2, HIV-1, H1N1 influenza and MERS). To allow for more flexible gRNA efficacy prediction, we also developed a web-based application to predict optimal gRNAs for any RNA target entered by the user. Given the lack of Cas13 guide design tools, we anticipate this resource will facilitate CRISPR-Cas13 RNA targeting in common model organisms, emerging viral threats to human health, and novel RNA targets.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».