夜雨聆风
图 | inDecay 研究概览：从细胞环境决定的修复偏好，到 MH-track 检测，再到少样本迁移至小鼠与大动物胚胎（作者绘制）。
🎯 太长不看版
同一位点的 CRISPR/Cas 无模板编辑会引入很多不同的突变。不同产物的偏好其实和细胞类型、甚至细胞的状态有很大关系。既有工具因为 DNA 修复通路的偏好不同，在小鼠胚胎上预测不准。
新 AI 工具 inDecay：
• 高效的特征设计：在多个细胞、多个不同的指标下都领先既有工具。
• 轻量化设计：只需要 30–50 个样本，就能跨越细胞类型学到另一个细胞的修复偏好；这让编辑产物预测得以应用到样本稀缺的场景，比如小鼠胚胎、大动物胚胎的编辑。
• 小鼠编辑的大规模数据集：共 52 个位点、超过 1,878 个胚胎、总共 11,787 条产物。
• 据此训练了适用于小鼠胚胎 2–4 细胞时期的预测模型，并揭示了小鼠胚胎独特的修复偏好。
• 四种大动物——猪、牛、山羊、绵羊的胚胎编辑数据；12 个靶点的小规模数据仍能带来显著的偏好迁移。
🧑💻 代码仓库：https://github.com/StatBiomed/inDecay
🌐 网页预测工具：https://indecay.online/
产物预测？
CRISPR/Cas 的预测，这不是已经很成熟的工作了吗？脱靶率、编辑活性，相关的 AI 预测工具卷上天际，还能玩出什么花来？这次，我们的工具 inDecay 并不只是预测一个数，而是预测一整个图谱——即对每一个靶点序列，我们能预测出它所有可能产生的编辑产物，以及每一种增删（indel）产生的概率。
啥意思？这其实就是说，对于给定的靶点序列和 gRNA，它们每次编辑产生的增删也是不一样的，有点子随机性在里面，就跟抽盲盒、抽卡一样。
CRISPR/Cas 编辑产物的复杂性
下面这张图展示了一个无模板编辑（template-free CRISPR/Cas editing）的增删分布（indel distribution）。
图 | 增删分布示意（文中也叫它「产物分布」「修复画像」；图为AI生成）。
上图展示了五种不同的突变（一种突变引入一种 allele）。编辑产物的多样性来自于删除（deletion）和插入（insertion）各自的随机性：删除的长短和起始位置、插入的长短和碱基组合，各自都组合出大量的产物，最后导致了产物的复杂度。如果只考虑最常见的 1–38 bp 删除和 1–2 bp 的插入，那么一个靶点大约能产生约 300–400 种不同的产物；更长片段删除的频率和位置我们暂不考虑。
决定产物的两大因素：靶点上下文和修复通路偏好
如此复杂的产物，我们从哪里开始预测呢？其实，虽然有随机性，但编辑产物还是和两个因素有关：靶点的上下文，和细胞对不同 DNA 修复通路的偏好。
下图展示了 4 个主要的 DNA 修复通路，它们产生的突变是有迹可循的。其中 HDR 需要模板，SSA 倾向于产生大片段删除——这两类产物都不在我们无模板编辑的系统里。因此我们最需要理解的就集中到 MMEJ 和 c-NHEJ 之中，而具体每个通路会怎么反应，就要看靶点序列的上下文（context）了。
图 | 四大 DNA 修复通路（c-NHEJ / MMEJ / HDR / SSA）如何把同一个切口修复成不同产物（图为AI生成）。
某些类型的产物和靶点上下文强烈相关。比如微同源重组介导的删除（Micro-homology Mediated End Joining，MMEJ），它由剪切位点两端的同源序列匹配、修复过程错误修剪导致。因此，如果我们能把两边匹配的序列都检测下来，并根据它们的距离、匹配程度等制定特征，那么一大类删除产物就能很好地预测了。
c-NHEJ 则更多产生一些短序列插入和突变。大规模的自靶向编辑实验（Massively Parallel Assay of Self-Targeting System）揭示了一些上下文特征：首先，删除和插入事件的相对比例也受上下文序列影响——越接近特定的近剪切位点序列，插入突变的占比越高；其次，还存在插入碱基对邻近序列的「拷贝」现象。了解了这些特点，我们就能设计出合理的特征。
inDecay 的两层设计：第一性原理特征工程 + 轻量化模型
专攻小鼠胚胎编辑的老师和我们提到，既有的预测软件在小鼠胚胎上常常预测不准。这或许和胚胎二细胞时期修复通路的基因表达有关，而这也引申出了后续的合作和 inDecay 的诞生。
既有的预测模型都在大规模平行实验数据上训练（inDelphi 与 ForeCasT），这些数据揭示了一些通用的上下文特征和产物规律。然而这些数据同时也包含了实验用细胞类型的通路偏好，而小鼠配套的偏好和这些已有的都不同。如何既利用已知规律，又剥离细胞特异性，就成了课题的关键。
图 | 初步统计：删除长度呈「MH / 非-MH」双峰混合，删除起始位点则随距离衰减（作者绘制）。
在 Lindel 数据上做初期分析时，我们发现删除事件的概率和其起始位置（start site）有很强的负相关；在删除长度上则出现了双峰分布。我们把数据按有无微同源序列（有 MH → MMEJ 通路；无 MH → c-NHEJ 通路）划分，趋势就变明朗了：没有 MH 时删除越长概率越低；但若有 MH，那么对应长度的概率就会被拉高，从而形成双峰。
基于修复机制的先验知识和数据的初步统计，我们得出了几个核心特征，之后又陆续加入了临近碱基等特征。而对增删（indel）基于两个衰退（decay）规律的建模，就得到了 inDecay（indel prediction by frequency Decay）的最初模型。
原文图 1 | inDecay 模型示意：(A) 微同源（MH）事件检测与特征提取——把序列匹配转化为对角线检测问题；(B) 多阶段的编辑产物预测模型。（引自本文 Genome Biology, Figure 1）
有了高度浓缩的信息特征，我们还缺少细胞通路偏好的建模。可惜的是，我们虽然能对每个细胞类型的通路做统计，但还无法仅凭细胞的特质提前算出其偏好，只能在拿到编辑数据之后再建模（post-hoc）。预测模型的表现往往由特征的表示能力和模型参数量共同决定。因此我们希望把特征优化做好，减少可学习参数的特征提取负担，从而用少量参数就能捕捉细胞类型的特异性——这既提升了效果，也为后续小鼠胚胎等稀缺数据的拟合打下基础（背后的思想很朴素：数据少，那变量就得少，这样才有解）。
inDecay 在五种细胞系上的表现
我们首先在 Allen & Crepaldi 等人生成的多细胞系数据集上评估 inDecay，它涵盖 5 种细胞系、超过 35,000 条 gRNA 的修复产物。我们与 Lindel、inDelphi、FORECasT 等主流方法在同一训练/测试划分下比较，并采用了多种评估指标：包括 top-5 事件召回、分布相似度（Kendall 相关系数、KL 散度），以及移码比例、删除占比等关键组成特征。结果显示，inDecay 在多个细胞系、多个指标上都取得了领先，而且用到的特征远少于既有方法。
原文图 2 | inDecay 在 FORECasT 多细胞系数据集上的表现：与 Lindel / inDelphi / FORECasT 在 6 项指标上的对比（引自本文 Genome Biology, Figure 2）。
实际应用：用 Sanger 测序数据建模小鼠与大动物胚胎编辑
轻量化模型的好处就是利于迁移。在各大数据集上预训练之后，我们发现大约只需要 30–50 个样本（靶点）的数据，就能把重要指标提升到合理水平。感谢我们的合作者提供了大量胚胎编辑数据。这其中最具价值的是，我们打通了基于 Sanger 一代测序数据获得增删突变分布的流程。此前已有数据都基于 NGS 二代测序，需要特殊的实验平台，世界上仅有少数实验室能生产；而 Sanger 测序确实是很多实验室最日常的数据。利用我们的数据处理流程，每个实验室都能搭建专属于自己细胞系或动物模型的编辑预测模型。
为了更好地服务今后基因编辑小鼠的构建，合作者收集了 52 个基因组位点、横跨 1,878 个胚胎、拢共 11,787 条突变的数据。由于小鼠胚胎还需手动操作获取并引导突变，这其中付出了大量人力物力，历经好几位技术员和硕博的接力。在共同一作 Louisa 的努力下，我们处理了胚胎数据并调试出了最优的小鼠模型。
最后我们发现，inDecay 在小鼠数据上能预测出约 80% 的主要事件，并在总体分布、移码突变概率等重要指标上大幅领先既有方法。这其实也是因为现有模型的训练数据和小鼠胚胎数据差异太大，而 inDecay 只需在小样本数据中学到鼠胚的通路偏好，就能在各项指标上超越同行。
原文图 4 | inDecay 在新生成的小鼠胚胎编辑数据集上的迁移与评估：实验流程、数据规模、各项指标及代表性位点的产物预测（引自本文 Genome Biology, Figure 4）。
我们同样在四种大动物——猪、牛、山羊、绵羊的胚胎编辑数据上做了验证。即便每个物种只有约 12 个靶点的小规模数据，inDecay 仍能带来显著的偏好迁移。
数据处理的血与泪
小鼠和大动物的胚胎编辑数据十分珍贵，因此每一条 Sanger 数据都需要仔细分析。然而这样的数据并不像 NGS 那样有许多现成工具可以调用。首先遇到的问题就是 Sanger 的 ab1 数据并不是纯文本，而是信号的综合分布——如果一个位点有多个等位突变，那么该位点的信号就是杂糅的。我们首先需要分解信号，这一步 Louisa 做了大量分析和比较，摸索出 DecodR 与 Synthego 各自的优劣，并最终选定 DecodR 为最终方案；我前期写的大量分析代码也被她重构，在工程上变得更加干净、可复用。当然更要感谢各位合作者和老师们的指导！
快来试试看
最后再为我们的工具打打广告：https://indecay.online/。把靶点序列输入之后，再输入剪切位点（PAM 前三位）和最贴近的细胞类型，就能预测所有产物及其可能性啦。
图 | inDecay网页工具预测示例（作者绘制）该图中展示了小鼠mCD44基因序列的编辑产物预测。结果显示产物D4_L-5C2R2占比约40%。该产物的识别码代表了4bp的删除，从剪切位点左数-5位起到右数第二位， 其中有2bp序列有同源互补。
一键下载预测结果，打开就能看到对应的序列和概率。
图 | 网页工具预测结果预览；每一行展示了 从左到右每一列分别为编辑产物标识码、编辑产物序列产物的占比。（作者绘制）
相关链接
• 代码仓库（GitHub）：https://github.com/StatBiomed/inDecay
• 网页预测工具：https://indecay.online/
• 预印本（Semantic Scholar）：https://www.semanticscholar.org/paper/1d6959eb20ab5c252e679feccbfbc987685d086a
作者 / 团队介绍
上述研究成果已于近日在 Genome Biology 在线发表，题目为 “Accurate prediction of CRISPR editing outcomes in somatic cell lines and zygotes with few-shot learning with inDecay”。郑炜忠博士，于璐为共同第一作者。黄渊华教授（香港大学），兰国成博士（基因组科技），刘澎涛教授（香港大学），王慧利研究员（江苏省农科院）为共同通讯作者。
Genome Biology
doi: 10.1186/s13059-026-04211-x
参考文献 References：
[1] Shen, M.W. et al. Predictable and precise template-free CRISPR editing of pathogenic variants. Nature 563, 646–651 (2018).
[2] Allen, F. et al. Predicting the mutations generated by repair of Cas9-induced double-strand breaks. Nature Biotechnology 37, 64–72 (2019).
[3] Chen, W. et al. Massively parallel profiling and predictive modeling of the outcomes of CRISPR/Cas9-mediated double-strand break repair. Nucleic Acids Research 47, 7989–8003 (2019).
[4] Zheng, W., Yu, L., et al. Accurate prediction of CRISPR editing outcomes in somatic cell lines and zygotes with few-shot learning with inDecay. Genome Biology (2026).
期刊简介
BMC旗舰刊 Genome Biology 是基因组生物学中排名最高的开放获取期刊, 致力于以基因组和后基因组为对象，研究生物学和生物医学各个领域的重大研究突破。
2025 IF：9.2
2025 下载量：10.3M
Altmetric 提及：9,092
投稿到初审意见：13天（中值）
欢迎扫码了解期刊详情
点击“阅读原文”阅读英文原文
Accurate prediction of CRISPR editing outcomes in somatic cell lines and zygotes with few-shot learning with inDecay
BMC是施普林格∙自然旗下机构。作为开放获取出版先锋，BMC不断推出一系列高质量的同行评议期刊，包括BMC Biology 、BMC Medicine等涵盖范围较广的期刊，以及Malaria Journal、Microbiome和BMC系列期刊等专门刊物。BMC以“科研永不止步”为信条，致力于不断创新，以更好地满足作者群体的需要，确保所发表论文的完整性，并积极推广开放研究。
第一步：点击文章顶端“BMC科研永不止步”公众号；
第二步：点击右上角“...”
第三步：点击“设为星标”
点个“小红心”，下次更新不错过⇣⇣