The Basis and Promise of Programmable RNA Editing and Modification
Notice bibliographique
Résumé
One key advantage of RNA over genomic editing is its temporary effects. Aside from current use of DNA-targeting CRISPR-Cas9, the more recently discovered CRISPR-Cas13 has been explored as a means of editing due to its RNA-targeting capabilities. Specifically, there has been a recent interest in identifying and functionally characterizing biochemical RNA modifications, which has spurred a new field of research known as “epitranscriptomics”. As one of the most frequently occurring transcriptome modifications, N6-methyladenosine (m6A) has generated much interest. The presence of m6A modifications is under the tight control of a series of regulators, and the ability of fusing these proteins or demethylases to catalytically inactive CRISPR proteins have resulted in a new wave of programmable RNA methylation tools. In addition, studies have been conducted to develop different CRISPR/Cas and base editor systems capable of more efficient editing, and some have explored the effects of in vivo editing for certain diseases. As well, the application of CRISPR and base editors for screening shows promise in revealing the phenotypic outcomes from m6A modification, many of which are linked to physiological, and pathological effects. Thus, the therapeutic potential of CRISPR/Cas and base editors for not only m6A related, but other RNA and DNA related disease has also garnered insight. In this review, we summarize/discuss the recent findings on RNA editing with CRISPR, base editors and non-CRISPR related tools and offer a perspective regarding future applications for basic and clinical research.
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 ».