Transcriptome-wide profiling of alternative splicing regulators with CRISPore-seq
Notice bibliographique
Résumé
Abstract Alternative splicing creates diverse RNA isoforms from individual genes, yet single-cell CRISPR screens are limited to gene-level quantification and cannot detect changes in alternative splicing and transcript isoforms. To overcome this limitation, we develop CRISPore-seq, which couples massively-parallel CRISPR perturbations with joint short- and long-read transcriptomics. CRISPore-seq simultaneously captures genetic perturbations and expression of genes, full-length transcripts and surface proteins in single cells. CRISPore-seq long reads identify 80% more transcript isoforms than short reads. Nearly all long reads map to unique transcript isoforms — in contrast to existing single-cell perturbation methods, which rarely distinguish specific isoforms. Using CRISPore-seq, we knock-down 15 different RNA-binding proteins (RBPs) and identify thousands of perturbation-driven alternative splicing events (ASEs). We find that exon skipping is the most common ASE observed and that skipped exons are enriched for binding sites of perturbed RBPs. Loss of the Nager syndrome-associated spliceosomal factor SF3B4 triggers skipping of exon 2 in the cell-cycle regulator CCND1 , preventing formation of a complex with CDK6 and blocking the G1-S transition. After rescue with a CCND1 isoform containing the skipped exon, both holoenzyme complex formation and cell proliferation are restored. By linking genes to transcriptional phenotypes with isoform-level resolution, CRISPore-seq is a highly scalable tool for understanding the impact of genetic perturbations on the human transcriptome.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».