《从GUIDE-seq数据分类CRISPR-Cas9脱靶切割位点: 一个类别不平衡的机器学习基准》

摘要

脱靶裂解是CRISPR-Cas9基因组编辑的主要安全隐患。研究者用五个机器学习分类器对公开的GUIDE-seq脱靶数据集（Kleinstiver等，2016，Nature）进行基准测试，该数据集含5个sgRNA的95829个候选脱靶位点，其中仅54个（0.06%）经实验验证为真实切割位点。在保留的测试集（n=19166，11个真阳性）上，基于组合错配与序列特征的梯度提升表现最佳（ROC-AUC=0.997；PR-AUC=0.355；最佳F1=0.50），优于随机森林和序列CNN。鉴于阳性类极少，以精确率-召回率AUC为主要指标。分析显示验证的脱靶位点平均错配数较少（3.6对5.9），且在PAM近端种子区和PAM处错配耐受性更低，与Cas9识别模型一致。该研究展现了严重不平衡小阳性类场景下可实现的分辨能力。