来源：DeepTech深科技
作为一款精准基因编辑工具，先导编辑（PE，Prime editing）具有很高的特异性、可编程性、以及较低的细胞毒性 [1]。
PE 可以实现几乎所有形式的精确编辑，包括 DNA 插入、DNA 删除、碱基转换，极大增加了基因编辑的可能性。
在基础研究中，它能被用于大规模基因功能性变体的筛选、以及原位基因的编辑。在临床医学中，PE 也具有精确地修正致病突变的巨大潜力。
除了以上应用以外，美国盛顿大学杰伊·申杜尔（Jay Shendure）教授和团队，此前曾将精准基因编辑推向了新一层面的应用，即将其用于动态记录细胞谱系和信号 [2-3]。
这一方法巧妙地将细胞的 DNA，转化为能够记录信息的载体，通过 PE 将不同的信息转化成可被后期读取的序列信息。
对于研究细胞功能、探索多细胞胚胎发育、疾病发生，这一方法提供了新的角度。
但是，PE 技术的一大技术瓶颈在于其编辑效率较低，这在很大程度上限制了它的应用。
目前，调控 PE 效率的因素主要有四个，它们分别是：
PE 复合体的表达量和稳定性；
编辑位点和突变的序列；
trans-acting factors，比如 DNA 修复蛋白；
编辑位点的染色质和表观遗传环境。
此前，影响 PE 的前三个因素已经得到深入研究，与之相关的新方法，也被证明能够有效提高编辑效率 [4-12]。
然而，表观遗传对于 PE 的影响依然没有被破解。
因此，杰伊·申杜尔课题组开始研究影响 PE 效率的第四项因素：表观遗传和染色质条件，并希望找到增强 PE 效率的办法。
在探索表观遗传对于 PE 影响的过程中，他们开发了一系列技术。
第一项技术，是基于 T7 启动子体外转录的报告基因定位技术。
它能通过精准的定位，随机插入一群细胞中所有的 PE 报告基因，从而准确地定义染色质环境对于 PE 效率的影响。
第二项技术，是将 T7 体外定位技术推向单细胞测序，从而能在测量单细胞转录组的同时，捕捉已插入基因组报告基因的编辑情况。
在配合 shRNA 干扰的情况下，可以探索染色质与 DNA 修复基因的相互作用对于 PE 的影响。
当将这些技术用于研究 PE 调控时，课题组发现了强转录延伸（transcriptional elongation）对于 PE 的促进作用，这种作用使得大多数位点的编辑效率接近于 0。
然而，在强表达基因启动子下游附近的位点编辑效率则能超过 90%。
后来，通过单细胞测序筛选，他们在特定染色质条件下，发现了一些对 PE 具有调控作用的基因。
基于此，其认为这项技术能够广泛用于研究染色质与 DNA 修复蛋白的相互作用。
其还认为这两项技术的价值不仅限于 PE，它们也能被广泛用于研究其他染色质上的生物过程，例如研究基因表达、以及研究 cis 因子的调控功能等。
（来源：Cell）华盛顿大学博士后研究员李晓弈是第一作者兼共同通讯，杰伊·申杜尔教授担任通讯作者。
图 | 李晓弈（来源：李晓弈）后续，他们期待表观遗传编辑方法的进步能够推动这项技术的广泛运用。
同时，这项技术也可以与其他增进 PE 效率的技术共用，从而让 PE 的能力得到最大的发挥。
接下来，他们打算将染色质环境对于 PE 的影响，整合到机器学习模型中，希望能够开发新的 PE 效率预测模型。
已有的 PE 效率预测技术都是基于编辑 DNA 序列开发的，而没有考虑染色质环境。但是，该团队发现染色质在实际操作中具有决定性作用。
如果能将这部分因素整合到现有的预测模型中，就能进一步提高预测的准确性和实用性。
参考资料：
1.Anzalone, A.V., Randolph, P.B., Davis, J.R., Sousa, A.A., Koblan, L.W., Levy, J.M., Chen, P.J., Wilson, C., Newby, G.A., Raguram, A., et al. (2019). Search-and-replace genome editing without double-strand breaks or donor DNA. Nature 576, 149–157.
2.Choi, J., Chen, W., Minkina, A., Chardon, F.M., Suiter, C.C., Regalado, S.G., Domcke, S., Hamazaki, N., Lee, C., Martin, B., et al. (2022). A time-resolved, multi-symbol molecular recorder via sequential genome editing. Nature 608, 98–107.
3.Chen, W., Choi, J., Nathans, J.F., Agarwal, V., Martin, B., Nichols, E., Leith, A., Lee, C., and Shendure, J. (2021). Multiplex genomic recording of enhancer and signal transduction activity in mammalian cells. bioRxiv, 2021.11.05.467434. 10.1101/2021.11.05.467434.
4.Chen, P.J., Hussmann, J.A., Yan, J., Knipping, F., Ravisankar, P., Chen, P.-F., Chen, C., Nelson, J.W., Newby, G.A., Sahin, M., et al. (2021). Enhanced prime editing systems by manipulating cellular determinants of editing outcomes. Cell 184, 5635-5652.e29.
5.Nelson, J.W., Randolph, P.B., Shen, S.P., Everette, K.A., Chen, P.J., Anzalone, A.V., An, M., Newby, G.A., Chen, J.C., Hsu, A., et al. (2021). Engineered pegRNAs improve prime editing efficiency. Nat. Biotechnol. 10.1038/s41587-021-01039-7.
6.Yan, J., Oyler-Castrillo, P., Ravisankar, P., Ward, C.C., Levesque, S., Jing, Y., Simpson, D., Zhao, A., Li, H., Yan, W., et al. (2024). Improving prime editing with an endogenous small RNA-binding protein. Nature. 10.1038/s41586-024-07259-6.
7.Kim, H.K., Yu, G., Park, J., Min, S., Lee, S., Yoon, S., and Kim, H.H. (2021). Predicting the efficiency of prime editing guide RNAs in human cells. Nat. Biotechnol. 39, 198–206.
8.Mathis, N., Allam, A., Kissling, L., Marquart, K.F., Schmidheini, L., Solari, C., Balázs, Z., Krauthammer, M., and Schwank, G. (2023). Predicting prime editing efficiency and product purity by deep learning. Nat. Biotechnol. 10.1038/s41587-022-01613-7.
9.Koeppel, J., Weller, J., Peets, E.M., Pallaseni, A., Kuzmin, I., Raudvere, U., Peterson, H., Liberante, F.G., and Parts, L. (2023). Prediction of prime editing insertion efficiencies using sequence features and DNA repair determinants. Nat. Biotechnol. 10.1038/s41587-023-01678-y.
10.Yu, G., Kim, H.K., Park, J., Kwak, H., Cheong, Y., Kim, D., Kim, J., Kim, J., and Kim, H.H. (2023). Prediction of efficiencies for diverse prime editing systems in multiple cell types. Cell 186, 2256-2272.e23.
11.Mathis, N., Allam, A., Tálas, A., Benvenuto, E., Schep, R., Damodharan, T., Balázs, Z., Janjuha, S., Schmidheini, L., Böck, D., et al. (2023). Predicting prime editing efficiency across diverse edit types and chromatin contexts with machine learning. bioRxiv, 2023.10.09.561414. 10.1101/2023.10.09.561414.
12.Ferreira da Silva, J., Oliveira, G.P., Arasa-Verge, E.A., Kagiou, C., Moretton, A., Timelthaler, G., Jiricny, J., and Loizou, J.I. (2022). Prime editing efficiency and fidelity are enhanced in the absence of mismatch repair. Nat. Commun. 13, 760.
13.Li, X. (2023). Chromatin context-dependent regulation and epigenetic manipulation of prime editing. BioRxiv Published online April 12, 2023.
运营/排版：何晨龙
“掌”握科技鲜闻 （微信搜索techsina或扫描左侧二维码关注）
