基于少样本学习的inDecay可准确预测体细胞系与受精卵的CRISPR编辑结果
Accurate prediction of CRISPR editing outcomes in somatic cell lines and zygotes with few-shot learning with inDecay
该研究针对胚胎中DNA修复偏好不同且缺乏大规模编辑图谱的问题，开发了inDecay系统，可从靶序列预测CRISPR诱导的插入缺失比例。其参数高效且具有细胞类型感知设计，在样本内训练和样本外微调中均表现良好。研究从跨细胞系预测出发，发现inDecay在小鼠受精卵以及山羊、牛和猪胚胎编辑中保持较高准确性。作者认为该方法可加速小鼠模型构建、家畜胚胎编辑和基因治疗应用。
推荐理由：方法新颖，将少样本学习用于跨细胞类型与跨物种的CRISPR编辑结果预测，并验证到小鼠受精卵及多种家畜胚胎，对胚胎基因编辑和动物模型研究有实用价值；但不直接面向临床ART决策。