EPIKOL, a chromatin-focused CRISPR/Cas9-based screening platform, to identify cancer-specific epigenetic vulnerabilities
Notice bibliographique
Résumé
Dysregulation of the epigenome due to alterations in chromatin modifier proteins commonly contribute to malignant transformation. To interrogate the roles of epigenetic modifiers in cancer cells, we generated an epigenome-wide CRISPR-Cas9 knockout library (EPIKOL) that targets a wide-range of epigenetic modifiers and their cofactors. We conducted eight screens in two different cancer types and showed that EPIKOL performs with high efficiency in terms of sgRNA distribution and depletion of essential genes. We discovered novel epigenetic modifiers that regulate triple-negative breast cancer (TNBC) and prostate cancer cell fitness. We confirmed the growth-regulatory functions of individual candidates, including SS18L2 and members of the NSL complex (KANSL2, KANSL3, KAT8) in TNBC cells. Overall, we show that EPIKOL, a focused sgRNA library targeting ~800 genes, can reveal epigenetic modifiers that are essential for cancer cell fitness under in vitro and in vivo conditions and enable the identification of novel anti-cancer targets. Due to its comprehensive epigenome-wide targets and relatively high number of sgRNAs per gene, EPIKOL will facilitate studies examining functional roles of epigenetic modifiers in a wide range of contexts, such as screens in primary cells, patient-derived xenografts as well as in vivo models.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».