Improved CRISPR/Cas9 off-target prediction with DNABERT and epigenetic features
Notice bibliographique
Résumé
CRISPR/Cas9 is a powerful genome editing tool, but its clinical application is hindered by off-target effects. Accurate computational prediction of these unintended edits is crucial for ensuring the safety and efficacy of therapeutic applications. While various deep learning models have been developed, most are trained only on task-specific data, failing to leverage the vast knowledge embedded in entire genomes. To address this limitation, we introduce a novel approach that integrates DNABERT, a deep learning model pre-trained on the human genome, with epigenetic features (H3K4me3, H3K27ac, and ATAC-seq). We conducted a comprehensive benchmark of our model, DNABERT-Epi, against five state-of-the-art methods across seven distinct off-target datasets. Our results demonstrate that the pre-trained DNABERT-based models achieve competitive or even superior performance. Rigorous ablation studies quantitatively confirmed that both genomic pre-training and the integration of epigenetic features are critical factors that significantly enhance predictive accuracy. Furthermore, by applying advanced interpretability techniques (SHAP and Integrated Gradients), we identified the specific epigenetic marks and sequence-level patterns that influence the model's predictions, offering insights into its decision-making process. This study is the first to establish the significant potential of a pre-trained DNA foundation model for CRISPR/Cas9 off-target prediction. Our findings underscore that leveraging both large-scale genomic knowledge and multi-modal data is a key strategy for advancing the development of safer genome editing tools.
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 | 0,002 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».