MétaCan
Menu
Retour à la cohorte
Enregistrement W3208363900 · doi:10.1016/j.isci.2021.103380

Automated design of CRISPR prime editors for 56,000 human pathogenic variants

2021· article· en· W3208363900 sur OpenAlexfundno aff
John Morris, Jahan Rahman, Xinyi Guo, Neville E. Sanjana

Notice bibliographique

RevueiScience · 2021
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueCRISPR and Genetic Engineering
Établissements canadiensnon disponible
Organismes subventionnairesNational Cancer InstituteNational Institutes of HealthSidney Kimmel FoundationNational Human Genome Research InstituteNew York UniversityCanadian Institutes of Health ResearchDefense Advanced Research Projects AgencyMelanoma Research AllianceBrain and Behavior Research Foundation
Mots-clésCRISPRGenome editingComputational biologyPalindromeCas9Computer sciencePrime (order theory)Human genomePipeline (software)GeneGenomeGeneticsBiologyProgramming languageMathematics

Résumé

récupéré en direct d'OpenAlex

Prime editors (PEs) are clustered regularly interspaced short palindromic repeats (CRISPR)-based genome engineering tools that can introduce precise base-pair edits. We developed an automated pipeline to correct (therapeutic editing) or introduce (disease modeling) human pathogenic variants from ClinVar that optimizes the design of several RNA constructs required for prime editing and avoids predicted off-targets in the human genome. However, using optimal PE design criteria, we find that only a small fraction of these pathogenic variants can be targeted. Through the use of alternative Cas9 enzymes and extended templates, we increase the number of targetable pathogenic variants from 32,000 to 56,000 variants and make these pre-designed PE constructs accessible through a web-based portal (http://primeedit.nygenome.org). Given the tremendous potential for therapeutic gene editing, we also assessed the possibility of developing universal PE constructs, finding that common genetic variants impact only a small minority of designed PEs.

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: aucune
Score de désaccord entre enseignants0,764
Score d'incertitude au seuil0,325

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 Opus0,014
Tête enseignante GPT0,317
Écart entre enseignants0,302 · 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

Citations20
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueiScienceMême sujetCRISPR and Genetic EngineeringTravaux en français237 207