Machine learning prediction of prime editing efficiency across diverse chromatin contexts

The success of prime editing depends on the prime editing guide RNA (pegRNA) design and target locus. Here, we developed machine learning models that reliably predict prime editing efficiency. PRIDICT2.0 assesses the performance of pegRNAs for all edit types up to 15 bp in length in mismatch repair-...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Veröffentlicht in:	Nature biotechnology Jg. 43; H. 5; S. 712
Hauptverfasser:	Mathis, Nicolas, Allam, Ahmed, Tálas, András, Kissling, Lucas, Benvenuto, Elena, Schmidheini, Lukas, Schep, Ruben, Damodharan, Tanav, Balázs, Zsolt, Janjuha, Sharan, Ioannidi, Eleonora I, Böck, Desirée, van Steensel, Bas, Krauthammer, Michael, Schwank, Gerald
Format:	Journal Article
Sprache:	Englisch
Veröffentlicht:	United States 01.05.2025
Schlagworte:	Animals Chromatin - genetics Gene Editing - methods Humans Machine Learning RNA, Guide, CRISPR-Cas Systems - genetics
ISSN:	1546-1696, 1546-1696
Online-Zugang:	Weitere Angaben
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Schreiben Sie den ersten Kommentar!