2020年6月日讯 /生物谷BIOON /——虽然碱基编辑器被广泛用于实现定点突变，但决定碱基编辑结果的因素还没有被很好地理解，所以往往需要试验进行验证。近日来自Broad研究所、哈佛大学、麻省理工学院和布莱根妇女医院和哈佛医学院的研究人员在华人科学家David R.Liu的带领下，开发了一种机器学习模型以预测剪辑编辑的结果，无需实验就可以预测基因编辑的结果，相关研究成果发表在Cell上，该研究题为"Determinants of Base Editing Outcomes from Target Library Analysis and Machine Learning"。
图片来源：Cell
该研究论文的亮点包括：
基础编辑结果的精度和效率往往是不直观的，而机器学习模型(BE-Hive)能够准确预测基本编辑效率和编辑模式；
基本编辑器工程可以增加和减少越位编辑；
精确地校正了3388个致病性SNVs，其中许多以前被认为是顽固的。
在这项研究中，研究人员对11个胞嘧啶和嘌呤碱编辑(CBEs和ABEs)针对哺乳动物细胞中38538个基因的序列和活性关系进行了表征，然后利用这些结果去训练BE-Hive，BE-Hive是一个机器学习模型，可以准确地预测基础编辑基因型的结果(R≈0.9)和效率(R≈0.7)。
基于此，研究人员校正了3388个疾病相关的SNVs，其精度≥90%，其中包括675个BE-Hive正确预测的不被编辑的带有旁观者核苷酸的等位基因。
研究人员发现了之前无法预测的C-to-G或C-to-A编辑的决定因素，并利用这些发现纠正了174个致病转位SNVs的编码序列，精确度≥90%。
最后，研究人员利用BE-Hive的见解来设计新的CBE变体来调节编辑结果。
总的来说，这些发现阐明了碱基编辑，支持对以前难以处理的目标进行编辑，并为新的基本编辑器提供了改进的编辑功能。（生物谷Bioon.com）
参考资料：
David R.Liu et al. Determinants of Base Editing Outcomes from Target Library Analysis and Machine Learning. Cell. DOI：https：//doi.org/10.1016/j.cell.2020.05.037
