論文の概要: Artificial Intelligence for CRISPR Guide RNA Design: Explainable Models and Off-Target Safety

• arxiv url: http://arxiv.org/abs/2508.20130v1
• Date: Tue, 26 Aug 2025 13:34:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:01.576174
• Title: Artificial Intelligence for CRISPR Guide RNA Design: Explainable Models and Off-Target Safety
• Title（参考訳）: CRISPRガイドRNA設計のための人工知能:説明可能なモデルとターゲット外の安全性
• Authors: Alireza Abbaszadeh, Armita Shahlai,
• Abstract要約: CRISPRベースのゲノム編集はバイオテクノロジーに革命をもたらした。 効率と安全性のためにガイドRNA(gRNA)設計を最適化することは、依然として重要な課題である。 機械学習モデルはCRISPRシステムのgRNA設計を強化している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: CRISPR-based genome editing has revolutionized biotechnology, yet optimizing guide RNA (gRNA) design for efficiency and safety remains a critical challenge. Recent advances (2020--2025, updated to reflect current year if needed) demonstrate that artificial intelligence (AI), especially deep learning, can markedly improve the prediction of gRNA on-target activity and identify off-target risks. In parallel, emerging explainable AI (XAI) techniques are beginning to illuminate the black-box nature of these models, offering insights into sequence features and genomic contexts that drive Cas enzyme performance. Here we review how state-of-the-art machine learning models are enhancing gRNA design for CRISPR systems, highlight strategies for interpreting model predictions, and discuss new developments in off-target prediction and safety assessment. We emphasize breakthroughs from top-tier journals that underscore an interdisciplinary convergence of AI and genome editing to enable more efficient, specific, and clinically viable CRISPR applications.
• Abstract（参考訳）: CRISPRベースのゲノム編集はバイオテクノロジーに革命をもたらしたが、効率と安全性のためにガイドRNA(gRNA)設計を最適化することは重要な課題である。 近年の進歩(2020-2025年、必要に応じて現在の年を反映して更新)は、人工知能(AI)、特にディープラーニングが、gRNAのオンターゲット活動の予測を著しく改善し、ターゲット外のリスクを特定することを実証している。 並行して、新たな説明可能なAI(XAI)技術は、これらのモデルのブラックボックスの性質を照明し始め、Cas酵素のパフォーマンスを駆動するシーケンス機能とゲノムコンテキストに関する洞察を提供する。 ここでは、最先端の機械学習モデルがCRISPRシステムのgRNA設計をいかに強化しているかを概観し、モデル予測を解釈するための戦略を強調し、ターゲット外の予測と安全性評価の新たな展開について議論する。 我々は、AIとゲノム編集の学際的な収束を基盤に、より効率的で特異的で臨床的に実行可能なCRISPRアプリケーションを可能にするトップクラスのジャーナルのブレークスルーを強調します。

関連論文リスト

• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。 また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• Generative AI in Health Economics and Outcomes Research: A Taxonomy of Key Definitions and Emerging Applications, an ISPOR Working Group Report [12.204470166456561]
  ジェネレーティブAIは、健康経済学と成果研究(HEOR)において大きな可能性を秘めている 生成AIは、HEORに大きな可能性を示し、効率性、生産性を高め、複雑な課題に対する新しいソリューションを提供する。 ファウンデーションモデルは複雑なタスクを自動化する上で有望だが、科学的信頼性、バイアス、解釈可能性、ワークフローの統合には課題が残っている。
  論文  参考訳（メタデータ） (2024-10-26T15:42:50Z)
• DeepFM-Crispr: Prediction of CRISPR On-Target Effects via Deep Learning [0.24554686192257422]
  DeepFM-Crisprは、ターゲット上の効率を予測し、Cas13dのターゲット外効果を評価するために開発された新しいディープラーニングモデルである。 大規模な言語モデルを利用して、進化的および構造的なデータに富んだ包括的な表現を生成し、RNA二次構造の予測と全体的なsgRNAの有効性を高める。
  論文  参考訳（メタデータ） (2024-09-09T17:33:54Z)
• BEACON: Benchmark for Comprehensive RNA Tasks and Language Models [60.02663015002029]
  本稿では、最初の包括的なRNAベンチマークBEACON(textbfBEnchmtextbfArk for textbfCOmprehensive RtextbfNA Task and Language Models)を紹介する。 まずBEACONは、構造解析、機能研究、工学的応用を網羅した、これまでの広範囲にわたる研究から導かれた13のタスクから構成される。 第2に、CNNのような従来のアプローチや、言語モデルに基づく高度なRNA基盤モデルなど、さまざまなモデルについて検討し、これらのモデルのタスク固有のパフォーマンスに関する貴重な洞察を提供する。 第3に、重要なRNA言語モデルコンポーネントについて検討する。
  論文  参考訳（メタデータ） (2024-06-14T19:39:19Z)
• CRISPR-GPT for Agentic Automation of Gene-editing Experiments [57.10950429181712]
  大規模言語モデル(LLM)は様々なタスクにおいて有望であるが、しばしば特定の知識が欠如し、生物学的設計の問題を正確に解くのに苦労する。 本研究では,CRISPRに基づく遺伝子編集実験の設計プロセスを自動化するために,ドメイン知識と外部ツールを付加したLCMエージェントであるCRISPR-GPTを紹介する。 我々は,遺伝子編集実験をゼロから行う非専門家研究者を支援するCRISPR-GPTの可能性を示し,実世界のユースケースにおけるエージェントの有効性を検証した。
  論文  参考訳（メタデータ） (2024-04-27T22:59:17Z)
• CRISPR: Ensemble Model [20.268713698436326]
  正確で一般化可能なsgRNA設計のための新しいアンサンブル学習法を提案する。 本手法は, 新規遺伝子や細胞に対しても高い感度, 特異性を有するsgRNAの設計に有効であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-05T14:55:14Z)
• Machine Learning Modeling Of SiRNA Structure-Potency Relationship With Applications Against Sars-Cov-2 Spike Gene [0.0]
  薬の発見プロセスは長くて費用がかかるので、新しい薬を市場に出すのに10年近くかかります。 バイオテクノロジー、計算方法、機械学習アルゴリズムは、薬物発見を革命させ、プロセスをスピードアップし、患者の結果を改善する可能性がある。 新型コロナウイルス(COVID-19)のパンデミックは、これらの技術の可能性の認識をさらに加速し、さらに深めている。
  論文  参考訳（メタデータ） (2024-01-18T23:00:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。