A pipeline for identifying guide RNA sequences that promote RNA editing of nonsense mutations that cause inherited retinal diseases
Notice bibliographique
Résumé
Adenosine deaminases acting on RNA (ADARs) are endogenous enzymes catalyzing the deamination of adenosines to inosines, which are then read as guanosines during translation. This ability to recode makes ADAR an attractive therapeutic tool to edit genetic mutations and reprogram genetic information at the mRNA level. Using the endogenous ADARs and guiding them to a selected target has promising therapeutic potential. Indeed, different studies have reported several site-directed RNA-editing approaches for making targeted base changes in RNA molecules. The basic strategy has been to use guide RNAs (gRNAs) that hybridize and form a double-stranded RNA (dsRNA) structure with the desired RNA target because of ADAR activity in regions of dsRNA formation. Here we report on a novel pipeline for identifying disease-causing variants as candidates for RNA editing, using a yeast-based screening system to select efficient gRNAs for editing of nonsense mutations, and test them in a human cell line reporter system. We have used this pipeline to modify the sequence of transcripts carrying nonsense mutations that cause inherited retinal diseases in the FAM161A , KIZ , TRPM1 , and USH2A genes. Our approach can serve as a basis for gene therapy intervention in knockin mouse models and ultimately in human patients.
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 ».