DeepCas12a：一种混合深度学习框架，能够基于序列信息和表观遗传信息准确预测AsCas12a的效率

《BMC Genomics》：DeepCas12a: a hybrid deep learning framework for accurate AsCas12a efficiency prediction from sequence and epigenetic information

【字体：大中小】 时间：2026年05月31日 来源：BMC Genomics 3.7

编辑推荐：

　　摘要CRISPR-Cas12a（Cpf1）由于其灵活的、富含T碱基的PAM（短序列识别基序）识别机制，在基因组编辑方面具有显著优势。然而，其切割效率的不确定性——受序列背景和表观遗传特征的影响——仍然是一个挑战，现有工具在模拟多模态特征之间的高阶相互作用方面存在困难。在这里，我们

摘要

CRISPR-Cas12a（Cpf1）由于其灵活的、富含T碱基的PAM（短序列识别基序）识别机制，在基因组编辑方面具有显著优势。然而，其切割效率的不确定性——受序列背景和表观遗传特征的影响——仍然是一个挑战，现有工具在模拟多模态特征之间的高阶相互作用方面存在困难。在这里，我们提出了DeepCas12a，这是一个结合了卷积神经网络（CNN）和视觉变换器（ViT）编码器的混合深度学习框架，能够同时捕捉局部序列模式和长距离依赖关系。该模型以端到端的方式将DNA序列数据与表观遗传信息（如DNA甲基化和染色质可及性）融合在一起。在独立测试集上的评估表明，DeepCas12a的表现优于现有的最先进预测模型，平均精确度达到0.783，AUC为0.868，Spearman相关性为0.630。此外，通过显著性图进行的可解释性分析证实，该模型能够捕捉到生物学上相关的特征，包括PAM特异性和种子区域的敏感性，从而有助于合理设计引导RNA。