論文の概要: Guide-Guard: Off-Target Predicting in CRISPR Applications

• arxiv url: http://arxiv.org/abs/2602.16327v1
• Date: Wed, 18 Feb 2026 10:06:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-19 15:58:30.571075
• Title: Guide-Guard: Off-Target Predicting in CRISPR Applications
• Title（参考訳）: Guide-Guard: CRISPRアプリケーションにおけるオフターゲット予測
• Authors: Joseph Bingham, Netanel Arussy, Saman Zonouz,
• Abstract要約: データ駆動の観点から,基礎となる生物・化学モデルについて検討する。 CRISPR 遺伝子編集プロセスにおいて gRNA が与えられたシステムの挙動を 84% の精度で予測するために,textitGuide-Guard という機械学習ベースのソリューションを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: With the introduction of cyber-physical genome sequencing and editing technologies, such as CRISPR, researchers can more easily access tools to investigate and create remedies for a variety of topics in genetics and health science (e.g. agriculture and medicine). As the field advances and grows, new concerns present themselves in the ability to predict the off-target behavior. In this work, we explore the underlying biological and chemical model from a data driven perspective. Additionally, we present a machine learning based solution named \textit{Guide-Guard} to predict the behavior of the system given a gRNA in the CRISPR gene-editing process with 84\% accuracy. This solution is able to be trained on multiple different genes at the same time while retaining accuracy.
• Abstract（参考訳）: CRISPRのようなサイバー物理ゲノムシークエンシングや編集技術の導入により、研究者はより簡単にツールにアクセスして、遺伝学や健康科学(例えば農業や医学)の様々な分野の治療法を研究・作成することができる。 フィールドが成長し成長するにつれて、ターゲット外行動を予測する能力に新たな懸念が浮かび上がってくる。 本研究では、データ駆動の観点から、基礎となる生物学的および化学的モデルについて検討する。 さらに,CRISPR 遺伝子編集プロセスにおいて gRNA が与えられたシステムの振る舞いを,84 % の精度で予測する機械学習ベースのソリューションである textit{Guide-Guard} を提案する。 このソリューションは、正確性を保ちながら、複数の異なる遺伝子を同時に訓練することができる。

関連論文リスト

• Artificial Intelligence and Deep Learning Algorithms for Epigenetic Sequence Analysis: A Review for Epigeneticists and AI Experts [2.5367788916245964]
  エピジェネティックス(英: Epigenetics)は、遺伝子配列を変えることなく遺伝子の発現を変化させる機構を包含する。 遺伝子調節と発現の変化は、癌や先天性変形などの様々な疾患や疾患の形で現れる。 機械学習と人工知能(AI)のアプローチは、エピジェネティックな表現表現への変換に広く用いられている。
  論文  参考訳（メタデータ） (2025-04-01T01:02:34Z)
• 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)
• 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)
• Advancing Gene Selection in Oncology: A Fusion of Deep Learning and Sparsity for Precision Gene Selection [4.093503153499691]
  本稿では,深層学習に基づく生存予測モデルのための2つの遺伝子選択手法を提案する。 第1の戦略はスパース性誘導法を使用し、第2の戦略は重要性に基づく遺伝子選択を用いて関連遺伝子を同定する。
  論文  参考訳（メタデータ） (2024-03-04T10:44:57Z)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)
• Machine Learning Applications for Therapeutic Tasks with Genomics Data [49.98249191161107]
  ゲノム学の機械学習応用に関する文献を、治療開発のレンズでレビューします。 治療パイプライン全体にわたるゲノミクス応用における22の機械学習を同定する。 この分野における7つの重要な課題を、拡大と影響の機会として挙げる。
  論文  参考訳（メタデータ） (2021-05-03T21:20:20Z)

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。