《Computational Biology and Chemistry》:CRISPGen: A deep generative framework for multi-objective CRISPR/Cas9 guide RNA design via conditional latent diffusion and Dual-Critic Reinforcement Learning
编辑推荐:
•CRISPGen 是一种从头开始生成 sgRNA 的方法,而不是对固定的候选序列池进行评分。•潜在扩散(Latent Diffusion)与双重冻结判别器(Dual Frozen Criticers)共同优化了效率和安全性。•对 302,631,056 个 PAM 位点进行了全
- •
CRISPGen 是一种从头开始生成 sgRNA 的方法,而不是对固定的候选序列池进行评分。
- •
潜在扩散(Latent Diffusion)与双重冻结判别器(Dual Frozen Criticers)共同优化了效率和安全性。
- •
对 302,631,056 个 PAM 位点进行了全面的 GRCh38 筛查,未发现任何完全匹配的候选序列。
- •
内部奖励机制达到了饱和状态:我们量化并公开报告了这一 Goodhart 定律效应。
- •
外部 CRISPRon 筛查证实了生成序列集在目标位点上的功能性。
引言
CRISPR-Cas9 系统从根本上改变了基因组工程的格局,为位点特异性基因编辑、大规模功能基因组学和精准治疗干预提供了一个无与伦比的平台。在该系统中,用户定义的 20 个核苷酸长的单导向 RNA(sgRNA)引导 Cas9 内切酶定位到 Protospacer Adjacent Motif(PAM)上游的基因组位点,并在那里诱导目标双链断裂(DSB)。这项技术的应用前景广阔,包括纠正单基因疾病(如镰状细胞病、杜氏肌营养不良症和遗传性失明),以及用于肿瘤治疗的过继细胞疗法的构建。然而,一个关键且持续的生物安全挑战阻碍了 CRISPR-Cas9 的更广泛临床应用:该系统容易在部分序列与预期 Protospacer 相同的基因组位点上引发脱靶 DSB。这种意外的切割事件可能导致染色体重排、异常的转录沉默和原癌基因的意外激活,这些问题一直是临床试验批准和治疗部署的核心监管关注点。
为应对这些脱靶风险,研究领域在 sgRNA 质量评估的计算方法上投入了大量资源。从位置特异性评分矩阵和支持向量机到现代深度卷积和循环神经网络(如 DeepCRISPR(Chuai 等,2018)、CRISPRon(Mathews 等,2022)和 Elevation(Listgarten 等,2018),这些基础诊断工具确立了计算导向评估的范式,证明了 CRISPR 系统中的序列-功能关系是可以大规模学习的。在同一时期,深度学习和自监督表示方法也被广泛应用于 CRISPR 诊断和核酸生物信息学(Luo 等,2024;Zhou 等,2024b;Zhang 等,2025)。这些模型评估了源自全面基因组扫描的预指定候选序列的靶标切割效率和脱靶倾向,它们的被动筛选能力显著提升了 CRISPR 实验的安全性和可重复性。正是这种判别基础的成熟度和严谨性,促使我们采取下一步行动:CRISPGen 不再仅仅评估来自固定基因组搜索空间的序列,而是探讨是否可以通过基于相同实验证据的生成模型,从第一原理出发合成本质上优化的序列。这一转变并非排斥判别工具,而是对其逻辑的扩展:被动筛选是在预先列举的候选池中找到最佳候选者,而主动的、受约束的合成则完全消除了这一池的限制。实际上,判别模型的构建受限于其所给候选序列的质量和多样性:在典型的 20 kb 目标窗口内对 NGG 相邻的 20 个核苷酸进行穷举计数,仅能产生约 2500 个候选导向 RNA,任何评分都无法揭示该固定池中不存在的序列。由于在这种池中优化一个目标通常会降低另一个目标,因此仅通过选择性无法解决靶标效率与脱靶特异性之间的矛盾。我们强调,这里开发的生成方法旨在补充而非替代这些判别工具:它们的序列评分仍是 CRISPGen 判别器训练的实证基础,生成的序列最终也会以此为基础进行验证(第 3.4.1 节)。
在这里,我们介绍了 CRISPGen,这是一个统一的深度生成框架,它将 sgRNA 设计重新概念化为一个多目标约束序列生成问题,而不仅仅是一个选择问题。CRISPGen 将三个协同计算的组件整合到一个端到端的流程中。首先,我们利用 DNABERT-2(117M 参数)(Zhou 等,2024a),这是一个基于变压器的基因组语言模型,它在整个脊椎动物基因组上进行了预训练,为导向 RNA 和脱靶序列提供了丰富的、具有上下文意识的 768 维嵌入。这些表示方式编码了更高层次的核苷酸依赖性和结构先验,超越了传统 one-hot 编码的表达能力,为下游的生成建模提供了生物学上准确的潜在线索。在此基础上,CRISPGen 基于快速发展的深度生成建模工具包——包括生成性和对抗性分子设计以及条件扩散(Zheng 等,2025;Zhu 等,2025;Chen 等,2025)——以及用于约束设计任务的强化学习和表示学习(Cao 等,2025;Quan 等,2026;Shen 等,2024)。其次,一个 条件潜在扩散生成器——包含一个六层 Transformer 解码器,在 512 维潜在空间上运行,采用 1000 步的 DDPM 去噪程序和 50 步的 DDIM 推理——学习在用户指定的靶标效率目标下合成新的 Protospacer 序列。扩散架构自然捕捉了功能序列空间的复杂多模态分布,避免了变分自编码器常见的模式崩溃或后验崩溃问题。第三,预训练的生成器通过 双重判别器强化学习 阶段进行优化,其中一个固定的靶标效率判别器和一个固定的脱靶判别器分别在 12,832 个 DeepSpCas9 效率测量结果和来自六个正交检测平台(CIRCLE-seq、GUIDE-seq、SITE-seq、Kleinstiver 和 Listgarten 数据集)的 1,591,490 个实验性脱靶事件的上汇总体上进行训练,共同定义了一个同时最大化编辑效率和最小化基因组脱靶风险的奖励信号。通过使用带有指数移动平均基线的 REINFORCE 和 Gumbel-Softmax 放松的可微序列采样方法,CRISPGen 直接通过策略梯度提升优化了组合奖励,使生成过程明确地关注这两个生物学目标。我们的方法论贡献之一是使用了两个外部预训练的、完全冻结的 判别器作为奖励预言器:我们证明这种设计可以防止共同训练的辅助奖励头导致的奖励模型崩溃,并且它为 CRISPR 以外的序列空间强化学习提供了一个可转移的方案。应用于 GRCh38 人类参考基因组后,CRISPGen 合成了 1000 个新的 sgRNA 序列,平均脱靶判别器得分仅为 0.0013——相对于未经优化的、基于 Latent Diffusion 的基线,绝对风险降低了 99.7%;在广泛的非近似全基因组筛查中(覆盖 GRCh38 的所有 302,631,056 个 NGG PAM 位点,包括染色体 chr1–22、X 和 Y),在整个基因组范围内的 MM = 0 时没有发现任何 hit,而在 MM = 1 时总共只有 55 个 hit。我们进一步公布了内部靶标奖励信号的透明分析:在策略梯度优化下,固定判别器的饱和度为 0.9996,这一结果通过独立的外部 CRISPRon 筛查得到了验证,该筛选独立确认了生成序列集保持了中等到高的靶标效率基线(在 0–100 的尺度上平均为 47.10)。
章节片段
材料与方法
CRISPGen 的整体架构如图 1 所示,展示了从原始实验数据集到 DNABERT-2 编码、条件扩散合成以及双重判别器强化学习,最终得到优化后的 sgRNA 输出的完整数据流。
为了确保完整的计算可重复性,表 1 中汇总了所需的软件环境和随机种子策略,以及两个经过强化学习训练的桥接模块的验证架构和训练超参数。
训练收敛性和泛化能力
脱靶判别器在统一的脱靶数据集( 个序列对)上训练了 45 个时期,其在保留的验证分区上的表现进行了监测(图 4)。模型在第一个时期就展示了快速的初始学习能力,验证皮尔逊相关系数达到 0.7632,并在第五个时期达到了 0.9428 的训练 PCC,证实了跨注意力机制有效地提取了 sgRNA 和脱靶序列之间的判别兼容性信号。
主动生成与被动预测:重新构建 sgRNA 设计
直到最近,CRISPR 导向 RNA 设计中的主导计算范式仍然是判别的:通过用户定义的基因组窗口中对所有 NGG 相邻的 20 个核苷酸进行穷举计数来生成候选序列,然后每个候选序列都通过预测模型进行靶标效率和脱靶风险的评分。这种工作流程的代表工具包括 CRISPRon(Mathews 等,2022)、DeepCRISPR(Chuai 等,2018)和 CHOPCHOP(Labun 等,2019)等。
结论
长期以来,安全有效的 CRISPR 导向 RNA 设计一直被视为一个过滤问题:从基因组中生成候选序列,然后剔除不安全的序列。CRISPGen 证明了这种框架是不必要的。通过从实验数据中学习高效、低风险的 sgRNA 序列的联合分布,并通过双重判别器强化学习进行优化,CRISPGen 合成了在两个目标上都本质优化的导向 RNA——而不是因为不安全的候选序列……
CRediT 作者贡献声明
Mohammad Malekpouri: 视图化、验证、软件开发、调查、形式分析、概念化。Somayeh Lotfi: 写作、审稿和编辑、监督。
资金支持
本研究没有接受来自公共部门、商业部门或非营利部门的任何特定资助。
未引用的参考文献
Tsai 等人(2015),Wang 等人(2014)
利益冲突声明
作者声明他们没有已知的会影响本文研究结果的财务利益或个人关系。
Mohammad Malekpouri|Somayeh Lotfi