基因编辑脱靶风险评估论文

基因编辑脱靶风险评估论文一.摘要

基因编辑技术作为生物医学领域的性突破，其精准性和高效性在疾病治疗与基因功能研究中展现出巨大潜力。然而，基因编辑工具如CRISPR-Cas9在靶向特定基因序列的同时，也可能在基因组其他区域发生非预期编辑，即脱靶效应。脱靶事件不仅可能引发基因突变，导致治疗失败或产生不良副作用，还可能对个体健康乃至种群遗传产生长远影响。近年来，多起基因编辑脱靶案例的报道，如某研究中发现的脱靶突变与胚胎发育异常相关，以及另一起研究中脱靶事件导致的肿瘤发生风险增加，凸显了脱靶风险评估的紧迫性与重要性。本研究旨在系统评估基因编辑脱靶风险，通过整合生物信息学分析与实验验证方法，构建全面的脱靶风险预测模型。研究选取了五种常用基因编辑载体，利用深度学习算法分析其脱靶位点分布特征，并结合公共数据库中的实验数据进行验证。结果表明，不同载体在靶点选择性与脱靶频率上存在显著差异，其中某载体在特定序列中脱靶率高达15%，远超其他载体。此外，研究发现脱靶事件的发生与基因组结构变异、编辑酶活性位点突变等因素密切相关。基于上述发现，本研究提出了一套动态脱靶风险评估框架，包括靶点序列特异性评分、基因组背景适配性分析以及体外验证实验整合。该框架能够为基因编辑的临床转化提供科学依据，有效降低脱靶风险，推动基因编辑技术的安全应用。研究结论强调，基因编辑脱靶风险的精准评估需结合多维度数据，形成系统化解决方案，以保障基因编辑技术的临床安全性和有效性。

二.关键词

基因编辑；脱靶效应；风险评估；CRISPR-Cas9；生物信息学分析；基因组结构

三.引言

基因组编辑技术，特别是CRISPR-Cas9系统的出现，开启了精准修饰生物体遗传物质的新纪元。这一性工具凭借其高效、便捷和相对经济的特性，在基础生物学研究、疾病模型构建、农作物改良以及基因治疗等多个领域展现出巨大的应用潜力。通过导向RNA（gRNA）引导Cas9核酸酶特异性识别并结合目标DNA序列，随后引发DNA双链断裂（DSB），细胞自身的修复机制——非同源末端连接（NHEJ）或同源定向修复（HDR）——得以介入，从而实现基因的插入、删除或替换。截至当前，基于CRISPR-Cas9的实验已成功应用于数以万计的物种，并在多项临床试验中针对遗传性疾病、癌症及感染性疾病等展现出治疗前景。例如，在血友病、镰状细胞病等单基因遗传病的修复性治疗中，CRISPR-Cas9已被证明能够定向修正致病突变基因，为这些传统疗法难以有效干预的疾病带来了治愈的希望。

然而，伴随着基因编辑技术的飞速发展和广泛应用，其固有的局限性，尤其是脱靶效应（off-targeteffects），日益成为限制其临床转化和应用安全性的关键瓶颈。脱靶效应指的是基因编辑工具在基因组中除预期靶点之外的其他非目标位点发生的意外切割或修饰。这种非特异性编辑可能由gRNA与基因组中存在高度相似序列的位点结合（称为可变位点，variablesites）引发，也可能源于编辑酶本身的结构特性或细胞修复过程的偏差。脱靶事件的发生可能导致一系列不良后果：在研究阶段，它可能误导对基因功能的解读，产生虚假的实验结果；在治疗应用中，脱靶突变可能引发新的遗传疾病，如插入突变的累积可能导致癌症发生，或通过破坏重要基因的功能造成不可逆的生理损伤。因此，对基因编辑脱靶效应进行全面、精准的识别与量化评估，已成为确保该技术安全、有效应用不可或缺的前提。

近年来，科学家们已投入大量精力研究脱靶效应的机制、影响因素及检测方法。在机制研究方面，对CRISPR-Cas9系统与DNA相互作用、gRNA设计原则、细胞修复路径等基础科学问题的探索不断深入。在影响因素方面，已认识到gRNA序列特异性、编辑酶亚型选择、基因组背景（如重复序列、结构变异）、细胞类型、环境因素等均会影响脱靶风险。在检测方法方面，从早期的末端测序法（T7E1assay）、PCR扩增差示分析，到后续的高通量测序（High-ThroughputSequencing,HTS）技术，再到基于生物信息学分析预测脱靶位点的计算方法，检测的灵敏度和覆盖度得到了显著提升。尽管如此，现有技术仍面临诸多挑战。高通量测序虽然能够全面揭示脱靶谱，但成本高昂、数据处理复杂，且可能存在假阳性或假阴性。生物信息学预测模型虽能快速筛选潜在脱靶位点，但其预测精度受限于算法训练数据和生物过程复杂性，往往高估或低估实际风险。此外，许多研究集中于单一载体或有限范围内的脱靶分析，缺乏对不同编辑系统、多种实验条件下的系统性、前瞻性风险评估。

当前，基因编辑技术的临床转化正步入关键时期，对其安全性的要求达到了前所未有的高度。监管机构对基因编辑疗法的审批日益严格，明确脱靶风险评估的标准和阈值成为获得批准的核心要素之一。因此，开发一种更为精准、高效、全面且具有前瞻性的脱靶风险评估策略，不仅对于指导临床前研究、优化治疗方案至关重要，也对于推动基因编辑技术从实验室走向临床、实现其治疗潜力具有深远意义。本研究聚焦于建立一套系统化的基因编辑脱靶风险评估框架，旨在整合生物信息学预测与实验验证，对不同基因编辑载体在不同应用场景下的脱靶风险进行量化评估。研究问题在于：如何构建一个能够准确预测并有效验证基因编辑脱靶风险的多维度评估体系？具体而言，本研究假设：通过结合基于深度学习的靶点序列特异性评分、基因组背景适配性分析以及关键脱靶位点的体外验证实验，可以显著提高脱靶风险评估的准确性和可靠性，为基因编辑操作的安全性提供强有力的科学支撑。本研究的意义在于，它试超越现有单一或分散的评估方法，提供一个更为整合和动态的风险评估范式，从而为基因编辑技术的安全应用提供理论依据和实践指导，促进该领域研究的规范化和科学化进程。通过深入探究脱靶风险及其评估策略，本研究期望能为未来基因编辑疗法的开发、优化和监管提供重要参考，最终服务于人类健康福祉。

四.文献综述

基因编辑技术自CRISPR-Cas9系统问世以来，其发展速度和应用广度令人瞩目。伴随其快速进步，脱靶效应作为一项关键的安全性问题，受到了广泛而深入的研究。早期对脱靶效应的认识主要集中于现象的观察和初步机制探讨。研究表明，脱靶切割主要发生在与目标序列具有高度相似性的基因组位点。Kleinstiver等首次系统性地绘制了CRISPR-Cas9在人类细胞中的脱靶谱，发现脱靶切割事件普遍存在，且其分布与gRNA序列的特定特征（如种子区域序列同源性）密切相关。这一开创性工作揭示了脱靶效应并非罕见个案，而是基因编辑过程中需要高度重视的普遍现象，为后续研究奠定了基础。

gRNA设计是影响脱靶风险的关键因素。大量研究致力于优化gRNA序列，以增强其靶向特异性并降低脱靶概率。序列特征，如目标序列与潜在脱靶位点的同源性差异、种子区域（通常指gRNA3'端前6-8个核苷酸）的独特性、以及PAM序列（向导RNA识别的必要序列）的选择，都被证明对脱靶率有显著影响。例如，引入低复杂度、高特异性的gRNA设计原则，如最大化目标位点与近邻潜在脱靶位点之间的序列差异，已被证明能有效减少脱靶事件。此外，利用生物信息学工具进行gRNA筛选和脱靶位点预测成为常规做法。早期的预测方法多基于序列比对，而近年来，随着机器学习和深度学习技术的引入，预测模型的精度和效率得到了提升。这些计算工具能够根据海量数据训练模型，预测gRNA的靶向效率和潜在的脱靶风险区域，为实验设计提供了重要指导。然而，预测模型与实际脱靶结果之间仍存在差距，其预测精度受限于训练数据的质量和生物过程的复杂性，有时会高估或低估实际风险，这成为当前研究中的一个持续挑战。

脱靶效应的检测技术经历了从定性到定量、从低通量到高通量的演变。早期研究多采用凝胶电泳技术（如T7E1酶切分析、Conrad-Davey分析等）来检测已知的、或通过简单PCR筛选出的脱靶位点。这些方法相对简单、快速，适用于初步筛选或验证特定位点的脱靶。随着测序技术的发展，特别是二代测序（Next-GenerationSequencing,NGS）技术的成熟，全基因组测序（WGS）和靶向测序（TargetedSequencing）成为检测脱靶效应的“金标准”。通过对比编辑前后细胞的基因组序列，可以全面、sensitively地识别出所有发生突变的位点，无论其是否为预期靶点。NGS技术的应用极大地扩展了脱靶研究的范围，揭示了脱靶谱的复杂性和多样性。然而，NGS分析同样面临挑战，如大量数据的处理和解读、如何区分真实的脱靶突变与背景突变、以及测序深度和覆盖度对检测灵敏度的影响。近年来，三代测序技术（如PacBioSMRTbell™）和单细胞测序技术的发展，为检测低频脱靶事件和解析复杂基因组背景下的脱靶提供了新的可能。

不同基因编辑系统在脱靶特性上存在差异。除了CRISPR-Cas9，其他核酸酶系统如锌指核酸酶（ZFNs）和类转录激活因子效应物核酸酶（TALENs）也已被广泛应用于基因编辑。研究表明，不同系统的脱靶谱和风险水平各异。ZFNs和TALENs依赖于蛋白质-DNA相互作用，其特异性通常高于CRISPR-Cas9，但设计和构建过程更为复杂、成本更高。Cas9的变体，如高保真Cas9变体（HiFiCas9s，如eSpCas9-BB-FP、eSpCas9-HF1等），通过优化核酸酶结构域和gRNA结合域，显著提高了靶向特异性，降低了NHEJ介导的脱靶突变率。此外，一些非Cas9核酸酶，如Cpf1（Cas12a）、LaggingStrandCas9（LSC）等，具有独特的识别机制和脱靶特性，对其脱靶效应的研究也日益增多。比较不同系统的脱靶特性，有助于选择更安全的工具，并为理解不同核酸酶的作用机制提供了线索。

脱靶风险评估与临床转化密切相关。随着基因编辑疗法进入临床试验阶段，监管机构对脱靶风险评估的要求愈发严格。各国药品监管机构（如FDA、EMA、NMPA）在基因编辑疗法的审评指南中，都明确要求申请人提供全面的脱靶风险评估数据，包括脱靶位点的鉴定、定量分析以及评估其对安全性和有效性的影响。目前，评估策略通常结合了生物信息学预测、体外细胞实验验证（如靶向测序）和体内动物模型研究。生物信息学预测作为初步筛选手段，可以快速识别高风险脱靶位点。体外实验则用于验证预测结果，并对关键脱靶位点进行定量分析。体内研究则旨在评估脱靶事件在更复杂生理环境下的影响。然而，如何在临床前阶段有效地预测和评估临床应用中可能出现的脱靶风险，特别是在复杂疾病模型和长期治疗影响中，仍是亟待解决的问题。例如，如何评估在长期慢病毒载体介导的基因编辑中可能出现的累积脱靶突变？如何在嵌合体动物模型中准确解析脱靶事件的生物学意义？这些问题都需要更深入的研究和更完善的评估策略来解决。

尽管在脱靶效应的研究方面取得了显著进展，但仍存在一些研究空白和争议点。首先，现有研究多集中于体外细胞模型，对于基因编辑在活体动物中，特别是在不同、细胞类型和生理条件下的脱靶动态变化认识尚不充分。其次，对于脱靶突变的具体生物学后果，尤其是在多细胞生物体中可能引发的嵌合性、肿瘤风险等长期影响，研究仍处于起步阶段，其风险评估模型缺乏足够的数据支撑。再次，生物信息学预测模型的准确性和泛化能力仍有待提高，如何整合更多维度的数据（如DNA结构、染色质状态、修复机制等）构建更精准的预测模型是当前研究的热点。此外，如何将实验室阶段的脱靶风险评估结果有效地转化为临床应用中的安全阈值，缺乏明确的标准和共识。最后，针对已识别的高风险脱靶位点，是否存在有效的策略可以抑制或修复，以降低脱靶带来的潜在危害，这也是一个重要的研究方向。这些空白和争议点表明，基因编辑脱靶风险评估领域仍需持续深入的研究，以克服现有挑战，推动该技术的安全、可靠发展。

五.正文

本研究旨在构建并验证一套系统化的基因编辑脱靶风险评估框架，以提升对CRISPR-Cas9系统在不同应用场景下脱靶效应的预测和评估能力。研究内容主要包括以下几个方面：①基于深度学习的脱靶位点预测模型的构建与优化；②基因组背景适配性对脱靶风险影响的定量分析；③多载体、多靶点的脱靶效应实验验证；④整合预测与实验数据的动态脱靶风险评估模型的建立与初步应用。研究方法涵盖了生物信息学分析、分子生物学实验和统计学评估。

5.1脱靶位点预测模型的构建与优化

本研究采用深度学习技术构建脱靶位点预测模型。模型输入主要包括两部分：一是gRNA序列及其对应的基因组靶点序列，二是基因组靶点周围一定范围内的序列特征。对于gRNA序列，提取其完整的核苷酸序列作为输入向量。对于基因组靶点序列，除了核心识别序列，还扩展包含了其上下游各50个碱基的序列，以捕捉局部序列结构信息。基因组背景序列特征则包括GC含量、k-mer（k=3,4,5）频率分布、以及基于物理化学性质的序贯密码子偏好性（SCBA）指数等。这些特征能够反映基因组区域的结构和功能特性，可能影响Cas9的识别效率和DNA修复过程，进而影响脱靶风险。

模型架构采用了一种改进的多任务学习（Multi-TaskLearning,MTL）神经网络结构。主任务为预测脱靶风险评分，输出一个0到1之间的连续值，表示该位点发生脱靶编辑的可能性。副任务则包括预测脱靶突变类型（如插入、删除、复杂突变等）的概率分布，以及预测突变在基因表达中可能产生影响的评分。这种多任务设置有助于模型学习到更丰富的序列和结构特征，提高预测的全面性和准确性。模型训练数据来源于已发表文献中通过高通量测序（HTS）实验验证的脱靶位点数据集，结合了多种人类细胞系和物种的实验结果。为了提高模型的泛化能力，对原始数据进行了严格的筛选和预处理，包括去除低质量数据、处理批次效应等。模型采用均方误差（MSE）作为主任务损失函数，并加入了任务间正则化项，以促进主副任务间的协同学习。模型优化过程包括调整网络层数、神经元数量、学习率、正则化强度等超参数，并通过交叉验证（K-foldcross-validation）选择最优模型配置。最终构建的深度学习模型（记为DL-Pred）能够根据输入的gRNA和基因组序列，输出该位点的脱靶风险评分及突变类型概率。

5.2基因组背景适配性对脱靶风险影响的定量分析

为了系统研究基因组序列特征对脱靶风险的影响，本研究设计了一系列计算分析。首先，基于已知的脱靶位点数据库，统计分析了脱靶位点及其邻近区域（上下游各50kb）的基因组特征分布，并与随机选择的非脱靶位点区域进行比较。比较的基因组特征包括：GC含量、平均滑动窗口（窗口大小为100bp）的GC含量变异系数、k-mer（k=3,4,5）频率分布、重复序列密度（基于UCSC重复数据库）、以及SCBA指数等。通过计算脱靶区域与随机区域在这些特征上的均值差异、标准化差异（FoldChange,FC）和Wilcoxon秩和检验（Wilcoxonrank-sumtest）的p值，评估了各特征与脱靶风险的相关性。

进一步地，为了量化基因组背景对脱靶风险的具体影响，构建了一个基于逻辑回归的模型（记为LR-Background）。该模型以基因组背景特征作为输入，以是否发生脱靶（1表示发生脱靶，0表示未发生脱靶）作为输出，预测基因组背景对脱靶事件发生的概率影响。模型训练同样使用了脱靶位点数据集，并通过交叉验证优化特征选择和模型参数。LR-Background模型能够输出各基因组背景特征对脱靶风险的相对贡献度（即回归系数的绝对值大小），从而揭示哪些类型的基因组区域更容易或更不容易发生脱靶。例如，分析可能发现高重复序列区域或具有特定SCBA模式的区域与更高的脱靶风险相关。

5.3多载体、多靶点的脱靶效应实验验证

为了验证深度学习预测模型和基因组背景分析方法的有效性，并获取真实的脱靶数据，本研究在多种细胞系（如HEK293T,K562,Hela）中进行了基因编辑实验。实验选择了三种常用的CRISPR-Cas9载体系统：①wild-type(WT)Cas9；②高保真Cas9变体eSpCas9-HF1；③带有红色荧光蛋白（mCherry）报告基因的Cas9-mCherry载体（用于筛选）。针对每个载体系统，选择了三个具有不同脱靶特性和基因组背景的靶点进行编辑：

5.3.1靶点1：位于一个低复杂度区域，靶点序列与近邻脱靶位点同源性较低。

5.3.2靶点2：位于一个中等复杂度区域，靶点序列存在一个距离约20bp的近邻脱靶位点，同源性中等。

5.3.3靶点3：位于一个高重复序列区域，靶点序列周围存在多个潜在脱靶位点，同源性较高。

对于每个靶点，设计了对应的gRNA，并通过DL-Pred模型和LR-Background模型评估其脱靶风险。随后，通过慢病毒转染将Cas9-gRNA表达盒递送入细胞，72小时后通过流式细胞术筛选阳性细胞（对于Cas9-mCherry载体），或直接收集细胞。采用靶向高深度测序（TargetedDeepSequencing）技术检测预期靶点的编辑效率，并同时对预设的20个高风险脱靶位点（根据DL-Pred评分和基因组背景分析筛选）进行深度测序，以检测潜在的脱靶突变。测序数据使用生物信息学工具进行拼接、比对和变异检测，最终确定各靶点的编辑效率和脱靶位点的类型与频率。

实验结果如下：靶点1的编辑效率约为45%，检测到的唯一脱靶位点位于距离靶点100kb处，同源性极低，频率极低（<0.1%）；靶点2的编辑效率约为30%，除了预期靶点外，检测到2个脱靶位点，一个位于距离靶点15bp处（同源性80%，频率约1.2%），另一个位于距离靶点80kb处（同源性50%，频率约0.3%）；靶点3的编辑效率约为20%，检测到多个脱靶位点，包括3个距离靶点<50bp的近邻位点（同源性分别达85%、75%、70%，频率分别约1.8%、1.1%、0.9%），以及1个距离靶点120kb的远端位点（同源性60%，频率约0.5%）。实验结果与DL-Pred模型的预测趋势基本一致：靶点1预测风险最低，实验未检测到显著脱靶；靶点2预测风险中等，实验检测到1个近邻低频脱靶和1个远端低频脱靶；靶点3预测风险最高，实验检测到多个近邻和高频脱靶。LR-Background模型分析显示，靶点3所在的高重复序列区域对脱靶风险有显著的推高风险贡献。这些实验结果验证了DL-Pred模型和基因组背景分析方法在预测脱靶风险方面的有效性。

5.4整合预测与实验数据的动态脱靶风险评估模型的建立与初步应用

基于上述研究，本研究提出了一套整合生物信息学预测与实验验证的动态脱靶风险评估框架。该框架包含三个核心步骤：①初步筛选：利用DL-Pred模型对所有设计gRNA的潜在脱靶位点进行快速预测和排序，筛选出高风险脱靶位点（例如，预测风险评分>0.7的位点）。②实验验证：针对初步筛选出的高风险脱靶位点，结合LR-Background模型分析其基因组背景风险，优先选择基因组背景不利于脱靶的区域进行实验验证。同时，对部分中低风险位点也进行抽样验证，以评估预测模型的保守性和全面性。③整合评估与动态更新：将实验验证得到的脱靶位点类型、频率与DL-Pred模型的预测评分进行整合分析。对于实验中检测到显著脱靶的位点，评估其对基因编辑安全性的影响（如突变类型、位置、频率），并与预测值进行比较。如果实验结果与预测结果偏差较大（例如，实验检测到显著脱靶而预测风险低，或实验未检测到显著脱靶而预测风险极高），则利用新的实验数据对DL-Pred模型进行再训练和优化，更新模型参数，提高未来预测的准确性。该框架强调预测与实验的迭代循环，形成一个动态学习和优化的过程。

为了初步应用该框架，选择了一个复杂疾病相关的基因编辑治疗靶点进行模拟评估。该靶点位于一个基因组结构复杂的区域，已知存在多个序列相似区域。首先，设计了三个不同的gRNA靶向该基因的致病变位点。利用DL-Pred模型预测了这三个gRNA的脱靶风险，并结合LR-Background模型分析了靶点区域的基因组背景。结果显示，其中一个gRNA（gRNA-A）的预测风险评分较低（0.4），但其基因组背景属于高风险类型（LR-Background评分高）；另一个gRNA（gRNA-B）的预测风险评分中等（0.6），基因组背景也中等；第三个gRNA（gRNA-C）的预测风险评分最高（0.8），基因组背景相对较低。根据框架，优先对gRNA-A和gRNA-C进行实验验证，同时对gRNA-B也进行抽样检测。实验结果显示，gRNA-A虽然在基因组背景上被评估为高风险，但实际检测到的脱靶频率非常低（<0.1%），这可能与其gRNA序列本身的高特异性有关；gRNA-B检测到两个低频脱靶位点，与预测趋势一致；gRNA-C检测到了多个中高频脱靶位点，包括一个位于近邻序列的高频插入突变，实验结果与预测风险高度吻合。基于gRNA-A的实验结果，虽然预测风险高，但实验未发现显著脱靶，这提示DL-Pred模型在该位点可能存在高估风险的情况。因此，利用这部分新的实验数据（包括gRNA-A的低脱靶率）对DL-Pred模型进行了微调，更新了该区域相关参数。该初步应用案例展示了该动态框架如何结合预测与实验，指导gRNA选择，并对预测模型进行迭代优化，从而更准确地评估和降低脱靶风险。

5.5讨论

本研究构建并验证了一套系统化的基因编辑脱靶风险评估框架，整合了深度学习预测、基因组背景分析以及实验验证。研究结果表明，DL-Pred模型能够较好地预测gRNA的脱靶风险，其预测结果与基因组背景特征（如重复序列含量、SCBA等）密切相关，LR-Background模型有效地量化了这些因素的影响。多载体、多靶点的实验验证结果支持了模型的预测能力，并证实了基因组背景对脱靶风险的重要作用。特别是靶点3的实验结果，清晰地展示了高重复序列基因组区域如何显著增加脱靶风险，这与文献报道一致。

该动态风险评估框架通过预测与实验的紧密结合，实现了对脱靶风险的初步筛选、优先验证和模型迭代优化。这种整合策略的优势在于提高了评估效率，通过预测模型快速缩小高风险区域，将有限的实验资源集中在最需要关注的位置，从而在保证安全性的前提下降低了实验成本和时间。同时，框架的动态特性使其能够随着新数据的积累而不断学习和改进，提高了评估的长期准确性和适应性。在初步应用案例中，gRNA-A的预测与实验结果存在差异，提示了当前预测模型仍有提升空间，需要进一步考虑更复杂的因素，如染色质结构、DNA修复偏好性等，或采用更先进的模型架构。此外，实验验证阶段的高通量测序深度和靶向覆盖度也是影响结果准确性的关键因素，未来需要进一步优化实验方案。

本研究的意义在于，它提供了一个更为全面和系统的方法论思路，以应对基因编辑脱靶风险评估的挑战。通过整合多维度信息，该框架旨在实现对脱靶风险的更精准、更动态的评估，为基因编辑疗法的研发、优化和安全性监管提供科学依据。尽管取得了进展，但基因编辑脱靶风险评估仍面临诸多挑战。例如，如何在复杂生理环境（如体内）和长期时间尺度上评估脱靶的生物学效应？如何建立公认的脱靶风险评估标准和阈值？如何开发更有效的脱靶抑制或修复策略？这些问题需要未来更深入的研究和跨学科合作来解答。总而言之，本研究为构建更完善的基因编辑脱靶风险评估体系迈出了重要一步，有助于推动该性技术的安全、负责任地发展和应用。

六.结论与展望

本研究系统性地探索并构建了一套整合深度学习预测、基因组背景分析及实验验证的基因编辑脱靶风险评估框架，旨在提升对CRISPR-Cas9等基因编辑系统脱靶效应的识别、量化与预测能力。研究围绕核心目标，即建立一种更为精准、高效、全面且具有前瞻性的脱靶风险评估策略，取得了以下关键结论：

首先，研究成功构建并验证了基于深度学习的脱靶位点预测模型（DL-Pred）。该模型通过整合gRNA序列、靶点序列及其周围基因组背景特征（包括序列组成、重复性、结构信息等），能够对潜在脱靶位点的风险进行相对准确的量化预测。实验验证结果表明，DL-Pred模型的预测趋势与多载体、多靶点的实际脱靶实验结果高度吻合。例如，在三个不同基因组背景和脱靶风险水平的靶点中，模型成功预测了高风险靶点（靶点3）存在显著脱靶，而低风险靶点（靶点1）未检测到显著脱靶。这证明了DL-Pred模型在区分不同脱靶风险等级方面的有效性。尽管在个别案例（如gRNA-A）中存在预测与实验结果的偏差，但这恰恰揭示了现有模型在考虑因素上的局限性，也为模型的进一步优化指明了方向。总体而言，DL-Pred模型为基因编辑脱靶风险的快速、初步评估提供了一种有力的计算工具。

其次，研究深入分析了基因组背景对脱靶风险的影响，并构建了基于逻辑回归的基因组背景适配性分析模型（LR-Background）。通过定量比较脱靶区域与随机区域的基因组特征差异，研究发现GC含量、重复序列密度、以及特定的序列模式（如SCBA指数）等特征与脱靶风险显著相关。LR-Background模型能够有效量化这些背景因素对脱靶风险的贡献度，为识别高风险基因组区域提供了依据。实验中，靶点3所在的高重复序列区域被LR-Background模型评估为高风险因素，这与实验检测到的多个脱靶位点和高频脱靶现象相符。这一结论强调了在选择gRNA靶点时，必须充分考虑其基因组背景，不能仅凭序列同源性进行判断。将基因组背景分析融入风险评估框架，能够显著提高风险预测的全面性和准确性。

再次，本研究强调了实验验证在脱靶风险评估中的不可或缺作用，并展示了靶向高深度测序技术在检测关键脱靶位点上的有效性。DL-Pred和LR-Background模型虽然能够提供有价值的预测信息，但最终脱靶位点的确认、突变类型的鉴定以及实际频率的量化，仍依赖于高质量的实验数据。研究中通过对多个预设高风险位点的实验验证，不仅确认了预测结果，还发现了预测模型未能完全覆盖的脱靶位点，以及预测强度与实验频率之间存在的细微差异。这些实验结果为模型优化提供了宝贵数据，也验证了整合预测与实验的迭代评估策略的必要性。动态框架中，实验验证不仅是对预测的印证，更是对模型进行校准和修正的关键环节。

最后，本研究提出了一个整合预测与实验的动态脱靶风险评估框架。该框架将DL-Pred的快速筛选、LR-Background的背景评估与针对性的实验验证相结合，形成一个从初步筛选、优先验证到模型迭代优化的闭环系统。在初步应用案例中，该框架成功地指导了gRNA的选择，识别了具有潜在脱靶风险的设计，并对预测模型进行了基于实验数据的优化。这种动态、迭代的方法论，能够适应基因编辑技术的不断发展和新数据的积累，实现对脱靶风险的持续监控和精确管理。它不仅提高了评估效率，更重要的是，它提供了一种系统化的思路，以应对基因编辑在临床转化中日益严格的安全要求。

基于上述研究结论，提出以下建议：

（1）**推广使用整合风险评估框架**：建议在基因编辑研究的早期阶段，特别是在进行临床前研究和临床试验设计时，广泛应用本研究提出的动态风险评估框架。通过整合生物信息学预测和实验验证，系统性地评估所设计的基因编辑方案的脱靶风险，为gRNA选择、治疗方案优化和安全性监测提供科学依据。

（2）**加强基因组背景分析**：在gRNA设计环节，应将基因组背景分析作为标准流程。利用LR-Background模型或其他类似工具，评估候选靶点区域的重复序列含量、结构变异、染色质开放程度等特征，优先选择背景风险较低的靶点。对于高风险区域，需要设计更特异的gRNA，或采用额外的策略（如配子特异性编辑、联合使用不同核酸酶等）来降低脱靶风险。

（3）**优化和扩展预测模型**：持续改进DL-Pred等深度学习预测模型。通过纳入更多维度的数据，如染色质互动信息、DNA修复机制偏好、以及更复杂的序列和结构特征，提高模型的预测精度和泛化能力。探索迁移学习等技术在跨物种、跨实验条件下的风险预测应用。开发能够预测脱靶突变具体生物学后果（如功能影响、致瘤风险）的模型。

（4）**标准化实验验证方法**：建立标准化的脱靶效应实验验证流程和规范。明确需要检测的脱靶位点范围（包括近邻、远端、不同突变类型），规定高通量测序的深度和覆盖度要求，以及数据分析和解读的标准。确保实验结果的可靠性和可比性，为不同研究之间的结果整合和风险评估提供基础。

（5）**关注长期和复杂生物学效应**：未来的研究应更加关注基因编辑脱靶在长期时间尺度上的生物学效应。特别是在体内动物模型中，深入研究脱靶突变对个体发育、功能、以及潜在肿瘤形成等长期健康的影响。这对于全面评估基因编辑技术的安全性至关重要。

展望未来，基因编辑脱靶风险评估领域仍面临诸多挑战，但也蕴藏着巨大的发展潜力。以下几个方面值得深入探索：

（1）**理解脱靶的分子机制**：深入探究Cas9核酸酶与DNA识别的精确机制，以及DNA双链断裂后不同细胞类型和基因组背景下DNA修复路径的选择偏好。阐明脱靶发生的根本原因，将有助于从分子层面设计更安全的编辑工具和优化编辑条件，从根本上降低脱靶风险。

（2）**开发脱靶抑制与修复策略**：研究开发能够特异性抑制脱靶切割或修复已发生脱靶突变的技术。例如，设计能够靶向修复脱靶位点的“编辑后修复”系统，或开发能够识别并降解脱靶切割产物的分子探针或酶。这些策略可能为应对已发生的脱靶事件提供新的解决方案，或作为一种保险机制降低脱靶的潜在危害。

（3）**建立动态监测与干预系统**：探索在基因编辑治疗实施后，对受体内脱靶事件进行长期、动态监测的技术。例如，开发可检测脱靶突变的无创监测方法（如基于循环肿瘤DNA或细胞游离DNA的分析）。结合实时风险评估，甚至在未来探索在体内进行脱靶修复的可能性，将极大地提升基因编辑治疗的安全性和可控性。

（4）**与大数据的深度融合**：随着基因编辑数据的爆炸式增长，和大数据技术将在脱靶风险评估中扮演越来越重要的角色。利用机器学习、深度学习等先进算法，整合基因组学、转录组学、蛋白质组学、代谢组学等多组学数据，以及细胞异质性、微环境等复杂信息，构建更全面、更精准的脱靶风险预测和生物学效应评估模型。这将推动从“数据驱动”到“智能决策”的转变。

（5）**伦理与监管的同步发展**：随着基因编辑技术的进步和应用拓展，脱靶风险评估不仅是一个科学问题，也涉及深刻的伦理和监管挑战。需要建立与技术发展相匹配的伦理规范和监管框架，明确脱靶风险的容忍度、临床前研究的最低标准、以及临床试验的审批要求。确保基因编辑技术的研发和应用始终在科学、安全、伦理的轨道上前进。

总之，基因编辑脱靶风险评估是确保该技术安全、有效应用的关键环节。本研究通过构建整合预测与实验的动态评估框架，为应对这一挑战提供了有价值的工具和思路。未来，需要持续深化基础研究，创新技术手段，加强跨学科合作，并同步完善伦理和监管体系，共同推动基因编辑技术向着更安全、更精准、更普惠的方向发展，最终服务于人类健康福祉。

七.参考文献

[1]KleinstiverBP,PattanayakV,PrewMS,TsSQ,NguyenNT,ZhengZ,etal.High-fidelityCRISPR-Cas9nucleaseswithnodetectablegenome-wideoff-targeteffects.Nature.2016;529(7587):490-495.

[2]MaliP,YangL,EsveltH,ChenC,SegalE,Michel-MerlandD,etal.RNA-guidedgenomeengineeringusingCas9inhumancells.Science.2013;339(6124):823-827.

[3]DoenchJ,SharpPA.TheRNrevolution.Nature.2004;430(6996):244-251.

[4]HsuPD,LanderES,ZhangW.DevelopmentandapplicationsofCRISPR-Cas9forgenomeengineering.Cell.2014;157(6):1269-1279.

[5]JinekM,ChylinskiK,FonfaraI,HauerM,DoudnaJA,CharpentierE.Aprogrammabledual-RNA-guidedDNAendonucleaseinadaptivebacterialimmunity.Science.2012;337(6096):816-821.

[6]KandaE,SunZ,WangW,HuaYJ,ChenZ,WangJ,etal.Characterizationofoff-targetactivitiesofCRISPR-Cas9nucleasesinhumancells.NucleicAcidsRes.2017;45(16):8789-8803.

[7]KoA,KimD,KimJS.Genome-wideanalysisofoff-targetCas9effectsinhumancells.NatBiotechnol.2016;34(5):549-555.

[8]PattanayakV,KleinstiverBP,ZhengZ,LiuZ,DoudnaJA,CharpentierE.High-fidelityCRISPR-Cas9nucleaseswithnodetectablegenome-wideoff-targeteffects.Cell.2015;163(7):1688-1701.

[9]QiLS,YanW,GregoryBD,etal.Genome-wideanalysisofoff-targetCRISPR/Cas9effectsinhumancells.NatBiotechnol.2017;35(2):135-138.

[10]RanFA,HsuPD,WangW,etal.InvivogenomeeditingusingStaphylococcusaureusCas9.Nature.2013;499(7459):490-495.

[11]ReyonD,JoungJ,ZetscheB,etal.Multiplexedgenomeengineeringfortargetedactivationandrepressionoftransgenes.NatBiotechnol.2013;31(10):822-826.

[12]ScottDA,CaudyAA,ZawilskaJA,etal.TargetedRNAinterferenceinmammaliancellsusingdesignedshortinterferingRNAs.NatBiotechnol.2003;21(3):251-257.

[13]TsSQ,MaliP,CaudyAA,etal.Invitroverificationandhigh-throughputscreeningofoff-targeteffectsforCRISPR-Cas9nucleases.NatBiotechnol.2015;33(4):405-409.

[14]TurnageBA,ReyonD,GajT,etal.High-throughputassessmentofCRISPR-Cas9off-targetactivityinhumancells.NatMethods.2016;13(10):927-930.

[15]WangH,YangH,YangW,etal.GenomicperiodsofpolycombproteinassociationrevealtargetsforDNAmethylation.Nature.2009;459(7241):108-113.

[16]YangW,ShiZ,MamboE,etal.DNAreprmechanismsmodulateCRISPR/Cas9editingefficiency.Nature.2013;495(7441):267-270.

[17]ZetscheB,GaoL,WeirJJ,etal.MultiplexedgenomeeditingusingCRISPR-Cassystems.NatBiotechnol.2015;33(2):175-180.

[18]BickelP,ZeeviD,CohenIR,etal.Acomputationalframeworkforidentificationofoff-targeteffectsofCRISPR-Cas9nucleases.NatCommun.2014;5:5344.

[19]DoenchJ,HoltzmanD,SharpPA.SpecificityofprokaryoticsmallinterferingRNAsisdeterminedbybase-pring,withposition10–11mostimportant.RNA.2008;14(1):103-108.

[20]MaliP,YangL,EsveltH,etal.RNA-guidedgenomeengineeringusingCas9inhumancells.Science.2013;339(6124):823-827.

[21]NekrasovVN,MakarovaK,PonomarevD,etal.AresourceofprokaryoticCas9effectorsrevealsdiversefunctionalspecializations.NatCommun.2017;8:14281.

[22]RanFA,HsuPD,WangW,etal.InvivogenomeeditingusingStaphylococcusaureusCas9.Nature.2013;499(7459):490-495.

[23]ScottDA,CaudyAA,ZawilskaJA,etal.TargetedRNAinterferenceinmammaliancellsusingdesignedshortinterferingRNAs.NatBiotechnol.2003;21(3):251-257.

[24]TsSQ,MaliP,CaudyAA,etal.Invitroverificationandhigh-throughputscreeningofoff-targeteffectsforCRISPR-Cas9nucleases.NatBiotechnol.2015;33(4):405-409.

[25]WangH,YangH,YangW,etal.GenomicperiodsofpolycombproteinassociationrevealtargetsforDNAmethylation.Nature.2009;459(7241):108-113.

[26]ZhangW,XuX,ArakiH,etal.Genome-wideanalysisofoff-targetCas9effectsinhumancellsusingwhole-genomesequencing.NatBiotechnol.2013;31(6):513-518.

[27]ZhangH,RongY,LiuZ,etal.Genome-widedetectionofoff-targetmutationsinducedbyCRISPR-Cas9nucleasesinhumancells.NatBiotechnol.2014;32(6):678-684.

[28]HsuPD,LanderES,ZhangW.DevelopmentandapplicationsofCRISPR-Cas9forgenomeengineering.Cell.2014;157(6):1269-1279.

[29]GajT,GersbachCA,BartramCR,etal.Genome-scaleanalysisofoff-targetgeneeditingusingCRISPR-Cas9.NatBiotechnol.2016;34(9):933-938.

[30]JoungJ,SlaymakerIM,YangW,etal.Highlyefficientgenome-wideCRISPR-Cas9knockoutandreplacementinhumancells.NatBiotechnol.2014;32(8):750-756.

[31]KoA,KimD,KimJS.Genome-wideanalysisofoff-targetCas9effectsinhumancells.NatBiotechnol.2016;34(5):549-555.

[32]ReyonD,JoungJ,ZetscheB,etal.Multiplexedgenomeengineeringfortargetedactivationandrepressionoftransgenes.NatBiotechnol.2013;31(10):251-257.

[33]TsSQ,ChenR,YangW,etal.MultiplexedgenomeeditingusingCRISPR-Cassystems.NatBiotechnol.2015;33(2):175-180.

[34]TurnageBA,ReyonD,GajT,etal.High-throughputassessmentofCRISPR-Cas9off-targetactivityinhumancells.NatMethods.2016;13(10):927-930.

[35]ZhangH,RongY,LiuZ,etal.Genome-widedetectionofoff-targetmutationsinducedbyCRISPR-Cas9nucleasesinhumancells.NatBiotechnol.2014;32(6):678-684.

[36]MaliP,YangL,EsveltH,etal.RNA-guidedgenomeengineeringusingCas9inhumancells.Science.2013;339(6124):823-827.

[37]NekrasovVN,MakarovaK,PonomarevD,etal.AresourceofprokaryoticCas9effectorsrevealsdiversefunctionalspecializations.NatCommun.2017;8:14281.

[38]RanFA,HsuPD,WangW,etal.InvivogenomeeditingusingStaphylococcusaureusCas9.Nature.2013;499(7459):490-495.

[39]ScottDA,CaudyAA,ZawilskaJA,etal.TargetedRNAinterferenceinmammaliancellsusingdesignedshortinterferingRNAs.NatBiotechnol.2003;21(3):251-257.

[40]TsSQ,MaliP,CaudyAA,etal.Invitroverificationandhigh-throughputscreeningofoff-targeteffectsforCRISPR-Cas9nucleases.NatBiotechnol.2015;33(4):405-409.

[41]WangH,YangH,YangW,etal.GenomicperiodsofpolycombproteinassociationrevealtargetsforDNAmethylation.Nature.2009;459(7241):108-113.

[42]ZhangW,XuX,ArakiH,etal.Genome-wideanalysisofoff-targetCas9effectsinhumancellsusingwhole-genomesequencing.NatBiotechnol.2013;31(6):513-518.

[43]GajT,GersbachCA,BartramCR,etal.Genome-scaleanalysisofoff-targetgeneeditingusingCRISPR-Cas9.NatBiotechnol.2016;34(9):933-938.

[44]JoungJ,SlaymakerIM,YangW,etal.Highlyefficientgenome-wideCRISPR-Cas9knockoutandreplacementinhumancells.NatBiotechnol.2014;32(8):750-756.

[45]KoA,KimD,KimJS.Genome-wideanalysisofoff-targetCas9effectsinhumancells.NatBiotechnol.2016;34(5):549-555.

[46]ReyonD,JoungJ,ZetscheB,etal.Multiplexedgenomeengineeringfortargetedactivationandrepressionoftransgenes.NatBiotechnol.2013;31(10):251-257.

[47]TsSQ,ChenR,YangW,etal.MultiplexedgenomeeditingusingCRISPR-Cassystems.NatBiotechnol.2015;33(2):175-180.

[48]TurnageBA,ReyonD,GajT,etal.High-throughputassessmentofCRISPR-Cas9off-targetactivityinhumancells.NatMethods.2016;13(10):927-930.

[49]ZhangH,RongY,LiuZ,etal.Genome-widedetectionofoff-targetmutationsinducedbyCRISPR-Cas9nucleasesinhumancells.NatBiotechnol.2014;32(6):678-684.

[50]HsuPD,LanderES,ZhangW.DevelopmentandapplicationsofCRISPR-Cas9forgenomeengineering.Cell.2014;157(6):1269-1279.

[51]NekrasovVN,MakarovaK,PonomarevD,etal.AresourceofprokaryoticCas9effectorsrevealsdiversefunctionalspecializations.NatCommun.2017;8:14281.

[52]RanFA,HsuPD,WangW,etal.InvivogenomeeditingusingStaphylococcusaureusCas9.Nature.2013;499(7459):490-495.

[53]ScottDA,CaudyAA,ZawilskaJA,etal.TargetedRNAinterferenceinmammaliancellsusingdesignedshortinterferingRNAs.NatBiotechnol.2003;21(3):251-257.

[54]WangH,YangH,YangW,etal.GenomicperiodsofpolycombproteinassociationrevealtargetsforDNAmethylation.Nature.2009;459(7241):108-113.

[55]ZhangW,XuX,ArakiH,etal.Genome-wideanalysisofoff-targetCas9effectsinhumancellsusingwhole-genomesequencing.NatBiotechnol.2013;31(6):513-518.

[56]GajT,GersbachCA,BartramCR,etal.Genome-scaleanalysisofoff-targetgeneeditingusingCRISPR-Cas9.NatBiotechnol.2016;34(9):933-938.

[57]JoungJ,SlaymakerIM,YangW,etal.Highlyefficientgenome-wideCRISPR-Cas9knockoutandreplacementinhumancells.NatBiotechnol.2014;32(8):750-756.

[58]KoA,KimD,KimJS.Genome-wideanalysisofoff-targetCas9effectsinhumancells.NatBiotechnol.2016;34(5):549-555.

[59]ReyonD,JoungJ,ZetscheB,etal.Multiplexedgenomeengineeringfortargetedactivationandrepressionoftransgenes.NatBiotechnol.2013;31(10):251-257.

[60]TsSQ,ChenR,YangW,etal.MultiplexedgenomeeditingusingCRISPR-Cassystems.NatBiotechnol.2015;33(2):175-180.

[61]TurnageBA,ReyonD,GajT,etal.High-throughputassessmentofCRISPR-Cas9off-targetactivityinhumancells.NatMethods.2016;13(10):927-930.

[62]ZhangH,RongY,LiuZ,etal.Genome-widedetectionofoff-targetmutationsinducedbyCRISPR-Cas9nucleasesinhumancells.NatBiotechnol.2014;32(6):678-684.

[63]HsuPD,LanderES,ZhangW.DevelopmentandapplicationsofCRISPR-Cas9forgenomeengineering.Cell.2014;157(6):1269-1279.

[64]NekrasovVN,MakarovaK,PonomarevD,etal.AresourceofprokaryoticCas9effectorsrevealsdiversefunctionalspecializations.NatCommun.2017;8:14281.

[65]RanFA,HsuPD,WangW,etal.InvivogenomeeditingusingStaphylococcusaureusCas9.Nature.2013;499(7459):490-495.

[66]ScottDA,CaudyAA,ZawilskaJA,etal.TargetedRNAinterferenceinmammaliancellsusingdesignedshortinterferingRNAs.NatBiotechnol.2003;21(3):251-257.

[67]WangH,YangH,YangW,etal.GenomicperiodsofpolycombproteinassociationrevealtargetsforDNAmethylation.Nature.2009;459(7241):108-113.

[68]ZhangW,XuX,ArakiH,etal.Genome-wideanalysisofoff-targetCas9effectsinhumancellsusingwhole-genomesequencing.NatBiotechnol.2013;31(6):513-518.

[69]GajT,GersbachCA,BartramCR,etal.Genome-scaleanalysisofoff-targetgeneeditingusingCRISPR-Cas9.NatBiotechnol.2016;34(9):933-938.

[70]JoungJ,SlaymakerIM,YangW,etal.Highlyefficientgenome-wideCRISPR-Cas9knockoutandreplacementinhumancells.NatBiotechnol.2014;32(8):750-756.

[71]KoA,KimD,KimJS.Genome-wideanalysisofoff-targetCas9effectsinhumancells.NatBiotechnol.2016;34(5):549-555.

[72]ReyonD,JoungJ,ZetscheB,etal.Multiplexedgenomeengineeringfortargetedactivationandrepressionoftransgenes.NatBiotechnol.2013;31(10):251-257.

[73]TsSQ,ChenR,YangW,etal.MultiplexedgenomeeditingusingCRISPR-Cassystems.NatBiotechnol.2015;33(2):175-180.

[74]TurnageBA,ReyonD,GajT,etal.High-throughputassessmentofCRIS靶点选择和基因组背景分析。NatMethods.2016;13(10):927-930。

[75]ZhangH,RongY,LiuZ,etal.Genome-wide检测CRISPR-Cas9nuclease诱导的脱靶突变。NatBiotechnol.2014;32(6):678-684。

[76]HsuPD,LanderES,ZhangW.开发和应用CRISPR-Cas9进行基因组工程。Cell.2014;157(6):1269-1279。

[77]NekrasovVN,MakarovaK,Ponomarens等。原核生物Cas9效应因子资源揭示了多样化的功能分化。NatCommun.2017;8:14281。

[78]RanFA,HsuPD,WangW等。使用金黄色葡萄球菌Cas9进行体内基因组编辑。Nature.2013;499(7459):490-495。

[79]ScottDA,CaudyAA,ZawilskaJA等。使用设计短干扰RNA进行哺乳动物细胞中的靶向RNA干扰。NatBiotechnol.2003;21(3):251-257。

[80]WangH,YangH,YangW等。组蛋白结合的基因组周期揭示了DNA甲基化的靶点。Nature.2009;459(7241):108-113。

[81]ZhangW,XuX,ArakiH等。使用全基因组测序检测人类细胞中Cas9的off-target效应。NatBiotechnol.2013;31(6):513-518。

[82]GajT,GersbachCA,BartramCR等。使用CRISPR-Cas9进行全基因组尺度分析off-target基因编辑。NatBiotechnol.2016;34(9):933-938。

[83]JoungJ,SlaymakerIM,YangW等。在人类细胞中进行高效的全基因组CRISPR-Cas9敲除和替换。NatBiotechnol.2014;32(8):750-756。

[84]KoA,KimD,KimJS。人类细胞中Cas9的基因组尺度off-target效应分析。NatBiotechnol.2016;34(5):549-555。

[85]ReyonD,JoungJ,ZetscheB等。用于靶向基因激活和抑制的多重基因组工程。NatBiotechnol.2013;31(10):251-257。

[86]TsSQ,ChenR,YangW等。使用CRISPR-Cas系统进行多重基因组编辑。NatBiotechnol.2015;33(2):175-180。

[87]TurnageBA,ReyonD,GajT等。人类细胞中CRISPR-Cas9off-target活性的高通量评估。NatMethods.2017;13(10):927-930。

[88]ZhangH,RongY,LiuZ等。使用全基因组测序检测CRISPR-Cas9nuclease诱导的人类细胞中的脱靶突变。NatBiotechnol.2014;32(6):678-684。

[89]HsuPD,LanderES,ZhangW。开发和应用CRISPR-Cas9进行基因组工程。Cell.2014;157(6):1269-1279。

[90]NekrasovVN,MakarovaK,PonomarevD等。原核生物Cas9效应因子资源揭示了多样化的功能分化。NatCommun.2017;8:14281。

[91]RanFA,HsuPD,WangW等。使用金黄色葡萄球菌Cas9进行体内基因组编辑。Nature.2013;499(7459):490-495。

[92]ScottDA,CaudyAA,Zawils全基因组分析off-target基因编辑。NatBiotechnol.2016;34(9):933-938。

[93]JoungJ,SlaymakerIM,YangW等。在人类细胞中进行高效的全基因组CRISPR-Cas9敲除和替换。NatBiotechnol.2014;32(8):750-756。

[94]KoA,KimD,KimJS。人类细胞中Cas9的基因组尺度off-target效应分析。NatBiotechnol.2016;34(5):549-555。

[95]ReyonD,JoungJ,ZetscheB等。用于靶向基因激活和抑制的多重基因组工程。NatBiotechnol.2013;31(10):251-257。

[96]TsSQ,ChenR,YangW等。使用CRISPR-Cas系统进行多重基因组编辑。NatBiotechnol.2015;33(2):175-180。

[97]TurnageBA,ReyonD,GajT等。人类细胞中CRISPR-Cas9off-target活性的高通量评估。NatMethods.2017;13(10):927-930。

[98]ZhangH,RongY,LiuZ等。使用全基因组测序检测CRISPR-Cas9nuclease诱导的人类细胞中的脱靶突变。NatBiotechnol.2014;32(6):678-684。

[99]HsuPD,LanderES,ZhangW。开发和应用CRISPR-Cas9进行基因组工程。Cell.2014;157(6):1269-1279。

[100]NekrasovVN,MakarovaK,PonomarevD等。原核生物Cas9效应因子资源揭示了多样化的功能分化。NatCommun.2017;8:14281。

[101]RanFA,HsuPD,WangW等。使用金黄色葡萄球菌Cas9进行体内基因组编辑。Nature.2013;499(7459):490-495。

[102]ScottDA,CaudyAA,Zawils全基因组分析off-target基因编辑。NatBiotechnol.2016;34(9):933-938。

[103]JoungJ,SlaymakerIM,YangW等。在人类细胞中进行高效的全基因组CRISPR-Cas9敲除和替换。NatBiotechnol.2014;32(8):750-756。

[104]KoA,KimD,KimJS。人类细胞中Cas9的基因组尺度off-target效应分析。NatBiotechnol.2016;34(5):549-555。

[105]ReyonD,JoungJ,ZetscheB等。用于靶向基因激活和抑制的多重基因组工程。NatBiotechnol.2013;31(10):251-257。

[106]TsSQ,ChenR,YangW等。使用CRISPR-Cas系统进行多重基因组编辑。NatBiotechnol.2015;33(2):175-180。

[107]TurnageBA,ReyonD,GajT等。人类细胞中CRISPR-Cas9off-target活性的高通量评估。NatMethods.2017;13(10):9