MétaCan
Menu
Retour à la cohorte
Enregistrement W3129693673 · doi:10.1089/crispr.2020.0090

Self-Cutting and Integrating CRISPR Plasmids Enable Targeted Genomic Integration of Genetic Payloads for Rapid Cell Engineering

2021· article· en· W3129693673 sur OpenAlexafffund
Darin Bloemberg, Carmen Daniela Sosa‐Miranda, Tina Nguyen, Risini D. Weeratna, Scott McComb

Notice bibliographique

RevueThe CRISPR Journal · 2021
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueCRISPR and Genetic Engineering
Établissements canadiensUniversity of OttawaNational Research Council Canada
Organismes subventionnairesNational Research Council Canada
Mots-clésCRISPRGenome editingBiologyPlasmidCas9Genome engineeringComputational biologyGeneGeneticsJurkat cellsGene targetingLocus (genetics)T cell

Résumé

récupéré en direct d'OpenAlex

Since observations that CRISPR nucleases function in mammalian cells, many strategies have been devised to adapt them for genetic engineering. Here, we investigated self-cutting and integrating CRISPR-Cas9 plasmids (SCIPs) as easy-to-use gene editing tools that insert themselves at CRISPR-guided locations. SCIPs demonstrated similar expression kinetics and gene disruption efficiency in mouse (EL4) and human (Jurkat) cells, with stable integration in 3–6% of transfected cells. Clonal sequencing analysis indicated that integrants showed bi- or mono-allelic integration of entire CRISPR plasmids in predictable orientations and with limited insertion or deletion formation. Interestingly, including longer homology arms (HAs; 500 bp) in varying orientations only modestly increased knock-in efficiency (by around twofold). Using a SCIP-payload design (SCIPpay) that liberates a promoter-less sequence flanked by HAs thereby requiring perfect homology-directed repair for transgene expression, longer HAs resulted in higher integration efficiency and precision of the payload but did not affect integration of the remaining plasmid sequence. As proofs of concept, we used SCIPpay to insert (1) a gene fragment encoding tdTomato into the CD69 locus of Jurkat cells, thereby creating a cell line that reports T-cell activation, and (2) a chimeric antigen receptor gene into the TRAC locus. Here, we demonstrate that SCIPs function as simple, efficient, and programmable tools useful for generating gene knock-out/knock-in cell lines, and we suggest future utility in knock-in site screening/optimization, unbiased off-target site identification, and multiplexed, iterative, and/or library-scale automated genome engineering.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,248
Écart entre enseignants0,242 · 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 source (Gemma direct ou Codex distillé), 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

Citations5
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe CRISPR JournalMême sujetCRISPR and Genetic EngineeringTravaux en français237 207