各種塩基エディターの編集効率と編集結果を予測する深層学習モデル

塩基編集はPAM（protospacer adjacent motif）が必要であるために利用が制限されることが多く、任意の標的に最適な塩基エディター（BE）とシングルガイドRNA（sgRNA）のペアを選ぶのが難しい場合がある。大々的な実験作業によらずにBEとsgRNAの選択を行うために、我々は、7つのBE（2つのシトシンBE、2つのアデニンBE、3つのC•GからG•CへのBEを含む）の編集枠、編集結果、優先的編集モチーフを、数千の標的配列で体系的に比較した。また、異なるPAM配列を認識する9つのCas9バリアントの評価を行い、任意の標的配列を有する部位で最も効率的に機能するバリアントを予測する深層学習モデルDeepCas9variantsを開発した。次に、9つのCas9バリアントをニッカーゼドメインとして7つのBEバリアントに組み込んで作製した63種類のBEの編集効率と編集結果を予測する計算モデルDeepBEを開発した。DeepBEに基づく設計によるBEの予測される効率の中央値は、SpCas9を有する合理的に設計されたBEの2.9～20倍に上った。