Accounting for small variations in the tracrRNA sequence improves sgRNA activity predictions for CRISPR screening.
Accounting for small variations in the tracrRNA sequence improves sgRNA activity predictions for CRISPR screening.
复制标题
DOI：
10.1038/s41467-022-33024-2
复制
发表时间：
2022-09-06
影响因子：
16.6
通讯作者：
中科院分区：
文献类型：
--
作者：
CRISPR技术是研究基因组功能的有力工具。为了帮助从许多可能的选择中挑选对感兴趣的靶标具有最大功效的sgRNA，几个研究小组已经开发了预测sgRNA靶向活性的模型。虽然多种tracrRNA变体通常用于筛选，但在提名sgRNA时，没有现有模型考虑该特征。在这里，我们开发了一个目标模型，规则集3，它可以对多种tracrRNA变体进行最佳预测。我们在一个新的sgRNA平铺必需和非必需基因的数据集上验证了规则集3，证明了对先前预测模型的实质性改进。通过分析tracrRNA变体之间sgRNA活性的差异，我们表明Pol III转录终止是sgRNA活性的强决定因素。我们希望这些结果能够提高CRISPR筛选的性能，并为未来的tracrRNA工程和sgRNA建模研究提供信息。用于生成sgRNA预测的现有方法不考虑tracrRNA序列。在本文中，作者报告了一种靶向模型，即规则集3，用于生成多个tracrRNA变体的最佳预测，并在一个新的sgRNA数据集上验证了这一点，该数据集显示了对先前预测模型的改进。
CRISPR technology is a powerful tool for studying genome function. To aid in picking sgRNAs that have maximal efficacy against a target of interest from many possible options, several groups have developed models that predict sgRNA on-target activity. Although multiple tracrRNA variants are commonly used for screening, no existing models account for this feature when nominating sgRNAs. Here we develop an on-target model, Rule Set 3, that makes optimal predictions for multiple tracrRNA variants. We validate Rule Set 3 on a new dataset of sgRNAs tiling essential and non-essential genes, demonstrating substantial improvement over prior prediction models. By analyzing the differences in sgRNA activity between tracrRNA variants, we show that Pol III transcription termination is a strong determinant of sgRNA activity. We expect these results to improve the performance of CRISPR screening and inform future research on tracrRNA engineering and sgRNA modeling. Existing methods for generating sgRNA predictions do not account for the tracrRNA sequence. Here the authors report an on-target model, Rule Set 3, to generate optimal predictions for multiple tracrRNA variants, and validate this on a new dataset of sgRNAs showing improvement over prior prediction models.
登录
查看更多内容
DeepCRISPR：通过深度学习优化 CRISPR 引导 RNA 设计
影响因子：
12.3
作者：
Chuai G;Ma H;Yan J;Chen M;Hong N;Xue D;Zhou C;Zhu C;Chen K;Duan B;Gu F;Qu S;Huang D;Wei J;Liu Q
通讯作者：
Liu Q
影响因子：
12.3
作者：
Dang Y;Jia G;Choi J;Ma H;Anaya E;Ye C;Shankar P;Wu H
通讯作者：
Wu H
影响因子：
46.9
作者：
Doench JG;Fusi N;Sullender M;Hegde M;Vaimberg EW;Donovan KF;Smith I;Tothova Z;Wilen C;Orchard R;Virgin HW;Listgarten J;Root DE
通讯作者：
Root DE
Biopython：用于计算分子生物学和生物信息学的免费 Python 工具。
DOI：
10.1093/bioinformatics/btp163
发表时间：
2009-06-01
期刊：
Bioinformatics (Oxford, England)
影响因子：
--
作者：
Cock PJ;Antao T;Chang JT;Chapman BA;Cox CJ;Dalke A;Friedberg I;Hamelryck T;Kauff F;Wilczynski B;de Hoon MJ
通讯作者：
de Hoon MJ
CRISPR-CAS9介导的基因失活的高度活性SGRNA的合理设计。
影响因子：
46.9
作者：
Doench, John G.;Hartenian, Ella;Graham, Daniel B.;Tothova, Zuzana;Hegde, Mudra;Smith, Ian;Sullender, Meagan;Ebert, Benjamin L.;Xavier, Ramnik J.;Root, David E.
通讯作者：
Root, David E.