Abstract A045: Development of automated deep learning-based off-target distribution prediction system for CRISPR-Cas13 system
Notice bibliographique
Résumé
Abstract CRISPR-Cas13 RNA editing system is a new member of the CRISPR-Cas gene editing system family, which can perform guided editing on RNA sequence. CRISPR-Cas gene editing system is currently one of the breakthrough technologies in life science, which is easy to operate, has a high editing efficiency and theoretically can perform guided editing on genome of any species. CRISPR-Cas9 system is the most commonly used CRISPR-Cas system, but it is mainly applied to DNA. Hence, fornon-destructive gene therapy and RNA virus detection, CRISPR-Cas13 system has its unique advantage. However, there are severe issues limiting its application, the most important one of which is off-target effect, namely the guide RNA points system to the wrong position causing non-targeted region edited, which leading to wrong expression spectrum of the cell. Therefore, based on automated deep learning and transfer learning techniques, this project aims to establishing an off-target distribution prediction system of CRISPR-Cas13 RNA editing system, in order to make high-specificity RNA editing possible. Citation Format: Guohui Chuai, Yanjing Zhu. Development of automated deep learning-based off-target distribution prediction system for CRISPR-Cas13 system [abstract]. In: Proceedings of the AACR Special Conference in Cancer Research: Tumor Immunology and Immunotherapy; 2023 Oct 1-4; Toronto, Ontario, Canada. Philadelphia (PA): AACR; Cancer Immunol Res 2023;11(12 Suppl):Abstract nr A045.
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 | 0,001 | 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 ».