Treatment of a metabolic liver disease in mice with a transient prime editing approach
Notice bibliographique
Résumé
Abstract Prime editing is a versatile genome editing technology that circumvents the need for DNA double-strand break formation and homology-directed repair, making it particularly suitable for in vivo correction of pathogenic mutations. Here we developed liver-specific prime editing approaches with temporally restricted prime editor (PE) expression. We first established a dual-delivery approach where the prime editor guide RNA is continuously expressed from adeno-associated viral vectors and only the PE is transiently delivered as nucleoside-modified mRNA encapsulated in lipid nanoparticles (LNP). This strategy achieved 26.2% editing with PEmax and 47.4% editing with PE7 at the Dnmt1 locus using a single 2 mg kg −1 dose of mRNA–LNP. When targeting the pathogenic Pah enu2 mutation in a phenylketonuria mouse model, gene correction rates reached 4.3% with PEmax and 20.7% with PE7 after three doses of 2 mg kg −1 mRNA–LNP, effectively reducing blood l -phenylalanine levels from over 1,500 µmol l −1 to below the therapeutic threshold of 360 µmol l −1 . Encouraged by the high efficiency of PE7, we next explored a simplified approach where PE7 mRNA was co-delivered with synthetic prime editor guide RNAs encapsulated in LNP. This strategy yielded 35.9% editing after two doses of RNA–LNP at the Dnmt1 locus and 8.0% editing after three doses of RNA–LNP at the Pah enu2 locus, again reducing l -phenylalanine levels below 360 µmol l −1 . These findings highlight the therapeutic potential of mRNA–LNP-based prime editing for treating phenylketonuria and other genetic liver diseases, offering a scalable and efficient platform for future clinical translation.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».