期刊：Nature
原题：Machine-guided design of cell-type-targeting cis-regulatory elements
译题：顺式调控元件的机器引导设计：驱动细胞类型特异性基因表达
DOI：10.1038/s41586-024-08070-z
Abstract
成果简介
Figures
图文导读
Ideas
创新点总结
一、基于深度学习的合成顺式调控元件(CRE)设计框架：
文章提出了一种结合深度神经网络的全新平台，用于从头设计和优化合成 CRE。通过对三种细胞类型的 CRE 活性进行建模，框架可以精确预测序列的功能，并通过高通量实验验证其性能。这种从模型预测到实验验证的整合方法，显著提升了 CRE 的设计效率和细胞特异性。
二、合成 CRE 的定制化细胞特异性设计：
首次在体外和体内验证了设计的合成 CRE 不仅在目标细胞类型中显著提高基因表达活性，同时还能有效抑制非目标细胞的活性。这种利用特定基序组合设计的合成 CRE 在性能上优于天然序列，表明其在基因治疗和生物技术应用中具有巨大潜力。
三、跨物种验证的合成 CRE 适用性：
文章展示了在小鼠和斑马鱼中验证合成 CRE 的组织特异性和功能性，成功实现了跨物种的组织特异性表达。这一验证不仅证明了设计的 CRE 的普适性，还为合成调控元件在实际应用中的转化提供了强有力的支持。
