CRISPR-MFH: Uma Estrutura Híbrida Leve de Aprendizado Profundo com Codificação de Múltiplos Recursos para Melhor Previsão de Off-Target do CRISPR-Cas9

FUNDAMENTAÇÃO: O sistema CRISPR-Cas9 emergiu como uma das tecnologias de edição genética mais promissoras na biologia. No entanto, os efeitos off-target continuam sendo um desafio significativo. Embora os avanços recentes em aprendizado profundo tenham levado ao desenvolvimento de modelos para previsão de off-target, esses modelos frequentemente não conseguem aproveitar totalmente a informação dos pares de sequência. Além disso, à medida que o tamanho dos parâmetros dos modelos aumenta, suas complexidades também aumentam, limitando sua aplicabilidade prática. MÉTODOS: Neste estudo, introduzimos um novo método de codificação independente de múltiplos recursos, que codifica o par de sequência gRNA-DNA em três matrizes de características distintas para minimizar a perda de informação. Além disso, propomos uma estrutura leve de aprendizado profundo híbrido, CRISPR-MFH, que integra convoluções separáveis em múltiplas escalas e mecanismos de atenção híbridos para uma previsão de off-target eficiente e precisa. RESULTADOS: Experimentos extensivos em múltiplos conjuntos de dados de referência demonstram que o método de codificação proposto captura efetivamente características críticas e que o CRISPR-MFH supera ou iguala modelos de ponta com significativamente menos parâmetros em várias métricas de avaliação. CONCLUSÕES: Este estudo oferece uma nova perspectiva para avançar a tecnologia de aprendizado profundo no campo da detecção de off-target do CRISPR-Cas9.