ChromeCRISPR - A High Efficacy Hybrid Machine Learning Model for CRISPR/Cas On-Target Predictions
Notice bibliographique
Résumé
Abstract Genome editing has the potential to treat genetic disorders at the source. This can be achieved by modifying the defective DNA through the intentional insertion, deletion, or substitution of genomic content. Among all genome editing technologies, CRISPR/Cas (Clustered Regularly Interspaced Short Palindromic Repeats and CRISPR-associated protein) is considered the gold standard. CRISPR/Cas uses a single guide RNA (sgRNA) to direct the Cas nuclease to a target DNA region. Due to the ease at creating small RNA molecules, it is possible to have the CRISPR/Cas complex target any arbitrary DNA sequence, thus making it a versatile tool. The efficacy of the complex is dependent on the ability of the sgRNA to bind to a complementary DNA sequence, which varies based on the sequence. Thus, a major challenge is finding sgRNA sequences that have good efficacy. This is where computational models can aid scientists: by predicting the activity of sgRNAs to help narrow the search space of finding the optimal sgRNA. We have used a large new dataset to build and compare the ability of several different machine learning architectures’ ability to predict on-target CRISPR/Cas activity. Additionally, we explored how adding GC content affects our sgRNA activity predictions. Our novel hybrid model, ChromeCRISPR, combines the strengths of Convolutional Neural Networks (CNN) with Recurrent Neural Network (RNN) models, has outperformed state-of-the-art models, including DeepHF and AttCrispr, establishing a new benchmark for predictive accuracy in CRISPR/Cas9 efficacy predictions.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».