跳到正文
bioRxiv· Kirillov, B.; Vasileva, A.; Fedorov, O.; Kuzmina, Y.; Kolesnik, M.; Trofimova, A.; Demkina, A.; Ronchikova, V.; Drozhzhina, M.; Abramova, M.; Gorkovskaia, A.; Malysheva, P.; Vilinski-Mazur, K.; Khodorkovskii, M.; Panov, M.; Severinov, K. V.·· 来源仅提供日期AI 评分67

研究人员提出无需测序的主动学习流程,用于发现未表征 CRISPR-Cas9 同源体的 PAM

Sequencing-Free Protospacer-Adjacent Motif Discovery for Uncharacterized CRISPR-Cas9 Orthologs via Active Learning

AI 导读

研究人员提出一种无需测序的 PAM 发现流程,用主动学习指导少量切割实验。在 7 个同源体的公共数据集上,该方法以 Matthews 相关系数不低于 0.8 的性能找回经典 PAM,并比传统机器学习最多少用 20 倍数据。

预印本 · biorxiv · 10.64898/2026.10.20.760532

本站摘要基于收录版本 v1(2026-10-26),原始摘要与 AI 导读固定保留。

来源最近更新: · 来源 v1

摘要 · AI 翻译

Cas9 核酸酶是基因编辑的重要组成部分,它通过原间隔序列邻近基序(Protospacer-Adjacent Motif,PAM)识别目标 DNA,且仅在识别成功时进行切割。目前,宏基因组搜索和生成式蛋白质模型能够大规模产生新型 CRISPR-Cas9 同源物,但其实际应用受限于繁琐且数据密集的 PAM 表征步骤——该步骤需要穷尽式的体外和/或体内筛选,随后进行测序。我们提出了一种工作流程,将 PAM 发现简化为少数几次迭代切割实验,并由主动学习算法指导,优先选择信息量最大的候选序列。在公开数据集(7 种同源物)上的基准测试表明,我们的方法能够稳健地恢复经典 PAM(Matthews 相关系数 [≥] 0.8),并在第四轮之前实现统计显著的收敛,因此所需数据量比传统机器学习方法少最多二十倍。我们在体外对研究充分的同源物 SpCas9 和 PpCas9 验证了该流程,在四到七轮切割后正确识别出 NGG 和 NNNNRT PAM。将同一方案应用于来自环境 Alkalibacillus 样本的未表征核酸酶 AlkaCas9,我们发现了一种 NNGAV PAM,并通过逐位随机化的位置扫描实验对其进行了验证。该方法消除了发现过程中对测序的需求,并提供了精确的 PAM 图谱,从而解决了限制数据挖掘或计算设计的 Cas9 变体(最常用的基因组编辑效应器类别)实际应用的瓶颈。

来源:bioRxiv · biorxiv.org