Predicting prime editing efficiency across diverse edit types and chromatin contexts with machine learning
Rattachement africain : ch, cz, us, nl. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Abstract Prime editing is a powerful genome editing technology, but its efficiency varies depending on the pegRNA design and target locus. Existing computational models for predicting prime editing rates are limited by their focus on specific edit types and by omitting the local chromatin environment. In our study, we developed machine learning models that predict prime editing efficiencies across a wide range of edit types up to 15 bp (’PRIDICT2.0’) and in different chromatin contexts (’ePRIDICT’). Both models can be accessed at www.pridict.it .
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Predicting prime editing efficiency across diverse edit types and chromatin contexts with machine learning
- Date Crossref
- 09/10/2023
- Éditeur
- openRxiv
- Type
- posted-content
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Les institutions déclarées
Une affiliation ne permet pas de déduire la nationalité d’un auteur.