ssDNA is not superior to dsDNA as long HDR donors for CRISPR-mediated endogenous gene tagging in human diploid RPE1 and HCT116 cells
Notice bibliographique
Résumé
BACKGROUND: Recent advances in CRISPR technology have enabled us to perform gene knock-in in various species and cell lines. CRISPR-mediated knock-in requires donor DNA which serves as a template for homology-directed repair (HDR). For knock-in of short sequences or base substitutions, ssDNA donors are frequently used among various other forms of HDR donors, such as linear dsDNA. However, partly due to the complexity of long ssDNA preparation, it remains unclear whether ssDNA is the optimal type of HDR donors for insertion of long transgenes such as fluorescent reporters in human cells. RESULTS: In this study, we established a nuclease-based simple method for the preparation of long ssDNA with high yield and purity, and comprehensively compared the performance of ssDNA and dsDNA donors with 90 bases of homology arms for endogenous gene tagging with long transgenes in human diploid RPE1 and HCT116 cells. Quantification using flow cytometry revealed lower efficiency of endogenous fluorescent tagging with ssDNA donors than with dsDNA. By analyzing knock-in outcomes using long-read amplicon sequencing and a classification framework, a variety of mis-integration events were detected regardless of the donor type. Importantly, the ratio of precise insertion was lower with ssDNA donors than with dsDNA. Moreover, in off-target integration analyses using donors without homology arms, ssDNA and dsDNA were comparably prone to non-homologous integration. CONCLUSIONS: These results indicate that ssDNA is not superior to dsDNA as long HDR donors with relatively short homology arms for gene knock-in in human RPE1 and HCT116 cells.
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 ».