[发明专利]使用深度学习的引导编辑效率预测系统及方法

说明书

本发明提供一种使用深度学习的引导编辑效率预测系统、构建所述系统的方法、使用所述系统的引导编辑效率预测方法，以及其上记录有用于由计算机执行所述方法的程序的计算机可读记录介质。

技术领域

本发明涉及一种使用深度学习的引导编辑效率预测系统、构建所述系统的方法、使用所述系统的引导编辑效率预测方法，以及其上记录有用于由计算机执行所述方法的程序的计算机可读记录介质。

背景技术

引导编辑(Prime Editing)是一种创新的新型基因组编辑方法，其可以在没有供体(donor)DNA或双链断裂(double-strand breaks，DSBs)的情况下引入几乎任何大小的基因变化(Anzalone，A.V.等人.Search-and-replace genome editing without double-strand breaks or donor DNA.Nature 576，149-157(2019))。这些变化不仅包括插入、缺失和所有可能的12种点突变，还包括这些变化的组合。

引导编辑器(Prime editor，PE)基本上由Cas9切口酶-逆转录酶(Cas9 nickase-reverse transcriptase(RT))融合蛋白和引导编辑向导RNA(prime editing guide RNA，pegRNA)组成；pegRNA包括用于识别靶序列的向导序列、tracrRNA支架序列、启动逆转录所需的引物结合位点(primer binding site，PBS)，以及包括所需的遗传变化且与靶序列同源的逆转录酶模板(RT template)。已经开发了四种类型的引导编辑器：PE1、PE2、PE3和PE3b。

在引导编辑中，编辑效率会因各种条件而有很大差异。目前正在对影响引导编辑效率的因素进行一些研究，但仍处于初期阶段。

因此，开发一种计算模型来识别影响引导编辑效率的因素并预测给定靶序列中的引导编辑活性将极大地促进引导编辑。

发明内容

技术问题

本发明提供一种使用深度学习的引导编辑效率预测系统。

本发明提供一种使用深度学习构建引导编辑效率预测系统的方法。

本发明提供一种使用所述效率预测系统的引导编辑效率预测方法。

本发明提供一种计算机可读记录介质，其上记录有用于由计算机执行所述方法的程序。

技术方案本发明一方面提供一种使用深度学习的引导编辑(Prime editing)效率预测系统。一种使用深度学习的引导编辑效率预测系统，其包括：

信息输入单元，其用于接收有关引导编辑器的引导编辑效率的数据；

预测模型生成单元，其用于通过使用由所述信息输入单元接收的数据执行深度学习以学习影响引导编辑效率的特征与引导编辑效率之间的关系来生成引导编辑效率预测模型；

候选序列输入单元，用于接收引导编辑的候选靶序列；和

效率预测单元，其用于通过将所述候选序列输入单元中输入的候选靶序列应用于由所述预测模型生成单元生成的效率预测模型来预测引导编辑效率。

本发明人通过高通量(high-throughput)实验，使用54836对pegRNA编码序列和相应的靶序列构建引导编辑效率数据集，利用该数据集提取与引导编辑效率相关的特征，并在给定的靶序列中构建了用于预测引导编辑效率的系统。

所述引导编辑效率预测系统包括用于接收有关引导编辑器(Prime editor)的引导编辑(Prime editing)效率的数据的信息输入单元。