机构名称：
¥ 2.0
1 计算和预测生物学，生物科学，橡树岭国家实验室，美国田纳西州橡树岭 2 田纳西大学诺克斯维尔分校布雷迪森跨学科研究与研究生教育中心，美国田纳西州橡树岭 3 合成生物学，橡树岭国家实验室，美国田纳西州橡树岭 4 计算科学与工程，橡树岭国家实验室，美国田纳西州橡树岭 本稿件由 UT-Battelle, LLC 根据与美国能源部签订的合同编号 DE-AC05- 00OR22725 撰写。美国政府保留；并且出版商在接受文章发表时，承认美国政府保留非独占的、已付费的、不可撤销的全球许可，可以为美国政府的目的出版或复制本稿件的已出版形式，或允许他人这样做。能源部将根据能源部公共访问计划 ( http://energy.gov/downloads/doe-public-access-plan ) 向公众开放这些联邦资助研究的成果。摘要：CRISPR-Cas9 工具已经彻底改变了实验室的基因操作能力。经验法则仅针对少数模型生物建立，而 sgRNA 效率的机制基础仍然知之甚少。这项工作建立了一个使用量子化学张量生成的新特征集和新公共资源，用于解释和预测 sgRNA 效率。sgRNA 效率的特征工程是使用可解释的人工智能模型；迭代随机森林 (iRF) 执行的。通过对大肠杆菌 sgRNA 的位置特异性序列的定量属性进行编码，我们确定了细菌物种中 sgRNA 设计的重要性状。此外，我们还表明，将位置编码扩展到碱基对、二聚体、三聚体和四聚体序列的量子描述符可以捕获目标 DNA 局部和邻近核苷酸中复杂的相互作用。这些特征凸显了大肠杆菌和智人基因组之间 CRISPR-Cas9 sgRNA 动力学的差异。这些新颖的 sgRNA 编码极大地增强了我们对 CRISPR-Cas9 机制中涉及的复杂量子生物过程的理解。
从可解释的人工智能中了解 CRISPR-Cas9 sgRNA 效率的量子生物学见解
主要关键词
相关文件推荐
