Prediction of base editor off-targets by deep learning

Prediction of base editor off-targets by deep learning - Nature Communications

1. 本研究の学術的背景や核心となる「問い」は、ベースエディター（遺伝子の特定の塩基を他の種類に変更できるツール）がガイドRNA（gRNA）と目標配列との間のミスマッチを許容するため、しばしば望ましくないオフターゲット変異（目標外の遺伝子領域で起きる予測しづらい変異）を引き起こすことです。このオフターゲット変異を予測するモデルを開発することが本研究の主な課題です。

2. 本研究の目的は、アデニンベースエディター（ABEs）とシトシンベースエディター（CBEs）のオフターゲットを予測するモデルを設計し、開発することです。これにより、ベース編集のオフターゲット効果を最小化するためのツールを提供します。これは、科学的独自性と創造性を示します。

3. オフターゲット変異は、遺伝子編集技術であるベースエディターの一般的な問題であり、その解決は、遺伝子編集が安全で効果的に使用されるための重要なステップです。研究者たちは、ABEsとCBEsのオフターゲット効果のデータセットを作成し、それを用いてディープラーニングモデルを訓練しました。

4. 本研究では、ABEsとCBEsのための大量のオフターゲット効果のデータセットを作成し、それを用いてオフターゲットサイトを予測するディープラーニングモデルを訓練しました。結果として、ABEdeepoffとCBEdeepoffというツールが作成され、これらはオフターゲットサイトを予測できます。さらに、これらのツールは、さまざまな内在遺伝子領域のオフターゲットの予測に利用され、0.710から0.859の範囲のスピアマン相関値を達成しました。

5. ディープラーニングモデルの有効性は、オフターゲットサイトの予測精度を評価した結果を用いて検証されました。モデルの予測と実験結果との間の高い相関性が、その有効性を示しています。