Temporal control of sgRNA library activation unlocks large-scale <i>in vivo</i> CRISPR screens
Notice bibliographique
Résumé
ABSTRACT Functional genomics screens have illuminated genetic dependencies in cancer, but conventional in vitro approaches fail to capture vulnerabilities shaped by the tumor microenvironment. Here, we implement CRISPR-StAR (Stochastic Activation by Recombination), a next-generation inducible CRISPR screening platform for large-scale in vivo applications. The system uses a dual lox-based recombination system to enable guide-level normalization and clonal knockout phenotyping. To analyze the rich (barcode-embedded) sequencing output, we developed UMIBB, a superior Bayesian statistical framework for quantifying gene-level dropout and enrichment compared to conventional software packages. Screening a 30,000-sgRNA library in A549 xenografts, followed by clone representation and dropout correlation analyses, showed high fidelity and reproducibility with dropout phenotypes resolvable using as few as 30 tumors for this size library. Validation across multiple tumor models demonstrated that a single tumor can provide reliable, functional annotation for ∼1,000 genes leveraging intra-tumor library controls for normalization. Comparing in vivo and in vitro screens revealed that a substantial subset of tumor suppressor genes exerts strong phenotypic effects only observable in vivo . For example, single-gene knockout and transcriptomic profiling confirmed that KMT2C and KMT2D have contrasting impacts on tumor growth - an insight that would have been overlooked in standard cell culture. Looking ahead, CRISPR-StAR screening, combined with our user-friendly analysis pipeline available on GitHub (R-package), offer an integrated framework for creating in vivo dependency maps that can complement existing vitro datasets like DepMap and Achilles. Critically, our approach reduces animal use by up to 7-fold compared to conventional in vivo dropout screens. This represents a significant ethical and methodological advancement - achieving genome-scale resolution with far fewer animals and greater reproducibility.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».