基于机器学习的 CRISPR sgRNA 适应性效应预测与特征分析

《Scientific Reports》：Machine learning-based prediction of base editor sgRNA fitness score

摘要

集成型的CRISPR基因编辑技术能够大规模地评估大量遗传变异的功能。预测某种特定的sgRNA-基因编辑器组合是否能够产生显著的适应性效应，有助于对这些组合进行优先排序，并揭示可在多个筛选实验中推广的有效特征。然而，由于筛选实验中涉及众多分子和生物学过程，这一任务仍然具有挑战性。在本研究中，我们利用已公开的基因编辑筛选数据集，探讨了是否可以通过机器学习从生物学特征和序列特异性特征中预测sgRNA的适应性效应。基于决策树的模型在基因保留验证下的AUC-ROC值介于87%至94%之间，AU-PR值介于53%至75%之间。特征可解释性分析显示，sgRNA的序列（尤其是PAM位点附近的核苷酸）是最具预测性的特征；基因的必要性和预测的变异效应也具有一定的预测作用，但程度相对较弱。通过对Cas9与基因编辑数据的进一步分析，发现基因的必要性是决定基因编辑和Cas9在不同适应性评分之间差异的最关键因素。我们的研究结果证明了以序列信息作为主要特征来预测基因编辑器-sgRNA组合适应性效应的可行性，为未来结合更多生物学特征以提高模型可解释性和通用性奠定了基础。