GuideHOM架构的单一输入用例的UML(统一建模语言)序列图
首先，用户通过数据集对象向模型提供输入
数据集对象为预选预处理模块提供一个热编码序列或对
两个预处理模块都向直升机操作监测程序舱层提供预处理输出
直升机操作监测系统舱层计算引导空间中gRNA/gRNA对的坐标，然后将坐标发送给高斯过程
高斯过程从它所知道的近似分布中采样活动，计算平均值和方差，然后将输出发送回用户
信用:DOI: 10
1093/nar/gkab1065 俄罗斯生物信息学家提出了一种新的神经网络体系结构，能够评估为基因编辑实验选择指导RNA的效果
他们的方法将有助于用流行的CRISPR/ Cas方法进行更有效的DNA修饰，因此将有助于开发创造转基因生物的新策略，并找到治疗严重遗传性疾病的方法
这项由俄罗斯科学基金会资助的研究发表在《核酸研究》杂志上
基因组编辑，尤其是CRISPR/Cas方法，被广泛应用于实验生物学的各个领域，以及农业和生物技术
CRISPR/Cas是细菌用来对抗病毒的众多武器之一
当感染发生时，病原体的DNA穿透细胞，由于其序列不同于细菌的序列，Cas蛋白将其识别为外来遗传物质并将其切割
为了让细菌更快地对病毒做出反应，细胞会储存病原体的DNA片段——就像电脑杀毒软件保存病毒特征的集合一样——并将它们传递给下一代，这样它的Cas就可以阻止进一步的攻击
在2011-2013年，来自不同实验室(美国的Jennifer Doudna、Emmanuelle Charpentier和张峰以及立陶宛的Virginijus iks nys)的团队相互独立地对CRISPR/ Cas系统进行了调整，以适应在人类和动物细胞的dna序列中引入任意变化的任务，从而使基因组编辑变得更加容易和高效
该系统的核心元件是“标记斑点”的导向RNA和在该位置切割DNA的Cas9蛋白
细胞随后“修补伤口”，但对遗传密码的改变已经完成
问题是指导RNA靶向并不总是精确的，可能会误导Cas9
将CRISPR/Cas技术转化为实用的高精度工具非常重要，尤其是在医疗干预方面
由康斯坦丁·塞韦里诺夫领导的Skoltech研究人员已经使用深度学习、高斯过程和其他方法来使最佳引导核糖核酸的选择更加准确
该团队制作了一套神经网络，即以矩阵顺序乘法实现的可训练数学模型——具有复杂内部结构的大型数字阵列
神经网络之所以能够学习，是因为它具有数字形式的“记忆”，每当系统在训练模式下完成计算时，数字就会以特定的方式改变
该团队在不同的数据集上训练模型，这些数据集包含数万个经过实验验证的指导核糖核酸，这些指导核糖核酸在人类和动物细胞中表现出高准确性
研究人员提出了一种算法，可以估计给定指导RNA的DNA切割概率
所得分数可以指导任何基于CRISPR/Cas的应用的实验设计
该团队利用其神经网络提出了一组指导核糖核酸，用于精确改变第22条人类染色体的基因
由于分裂频率预测的高精度和预测不确定性估计特征，这是可能的，这是先前存在的方法都没有提供的
“我们的发现可以用于各种基于CRISPR/Cas的技术应用，例如遗传疾病治疗、农业技术和基础研究实验，”Skoltech Ph评论道
D
学生波格丹一世·基里洛夫，新方法的创造者之一，这项研究的第一作者
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
