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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».