A CRISPR base editing approach for the functional assessment of telomere biology disorder-related genes in human health and aging
Notice bibliographique
Résumé
Telomere Biology Disorders (TBDs) are a group of rare diseases characterized by the presence of short and/or dysfunctional telomeres. They comprise a group of bone marrow failure syndromes, idiopathic pulmonary fibrosis, and liver disease, among other diseases. Genetic alterations (variants) in the genes responsible for telomere homeostasis have been linked to TBDs. Despite the number of variants already identified as pathogenic, an even more significant number must be better understood. The study of TBDs is challenging since identifying these variants is difficult due to their rareness, it is hard to predict their impact on the disease onset, and there are not enough samples to study. Most of our knowledge about pathogenic variants comes from assessing telomerase activity from patients and their relatives affected by a TBD. However, we still lack a cell-based model to identify new variants and to study the long-term impact of such variants on the genes involved in TBDs. Herein, we present a cell-based model using CRISPR base editing to mutagenize the endogenous alleles of 21 genes involved in telomere biology. We identified key residues in the genes encoding 17 different proteins impacting cell growth. We provide functional evidence for variants of uncertain significance in patients with TBDs. We also identified variants resistant to telomerase inhibition that, similar to cells expressing wild-type telomerase, exhibited increased tumorigenic potential using an in vitro tumour growth assay. We believe that such cell-based approaches will significantly advance our understanding of the biology of TBDs and may contribute to the development of new therapies for this group of diseases.
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 ».