Predicting adenine base editing efficiencies in different cellular contexts by deep learning

Abstract Background Adenine base editors (ABEs) enable the conversion of A•T to G•C base pairs. Since the sequence of the target locus influences base editing efficiency, efforts have been made to develop computational models that can predict base editing outcomes based on the targeted sequence. How...

Mô tả đầy đủ

Đã lưu trong:

Chi tiết về thư mục
Những tác giả chính:	Lucas Kissling, Amina Mollaysa, Sharan Janjuha, Nicolas Mathis, Kim F. Marquart, Yanik Weber, Woohyun J. Moon, Paulo J. C. Lin, Steven H. Y. Fan, Hiromi Muramatsu, Máté Vadovics, Ahmed Allam, Norbert Pardi, Ying K. Tam, Michael Krauthammer, Gerald Schwank
Định dạng:	Artigo
Ngôn ngữ:	Inglês
Được phát hành:	BMC 2025-05-01
Loạt:	Genome Biology
Những chủ đề:	Genomics In vivo Mouse Machine learning CRISPR-Cas9 genome editing
Truy cập trực tuyến:	https://doi.org/10.1186/s13059-025-03586-7
Các nhãn:	Thêm thẻ Không có thẻ, Là người đầu tiên thẻ bản ghi này!

Predicting adenine base editing efficiencies in different cellular contexts by deep learning

Những quyển sách tương tự