Nat. Rev. Genet. | 利用人工智能推动 CRISPR 基因编辑技术的发展

DRUGONE

CRISPR 基因编辑技术（包括核酸酶编辑、碱基编辑和引物编辑）已经深刻变革了生物学研究与医学应用，通过实现对基因组的精确、可编程修改，为多种遗传疾病提供了全新的治疗方案。人工智能技术的发展，特别是机器学习与深度学习模型，正进一步加速基因编辑领域的进展。不仅可以帮助优化针对不同靶点的编辑工具，还能推动现有编辑器的工程改造，并促进新型基因编辑酶的发现。本综述总结了这些进展背后关键的 AI 方法论，并讨论了其在基因编辑技术中的重要应用。此外，研究人员还介绍了新的发展方向，如 AI 驱动的虚拟细胞模型，可用于靶点选择或编辑结果预测。最后，研究人员明确了未来 AI 与基因编辑深度融合将产生重大影响的关键领域。

CRISPR 基因编辑系统源自细菌和古菌的适应性免疫机制，现已成为可对 DNA 进行精确、可编程修改的核心工具。自其出现以来，研究人员已开发出多种 CRISPR 工具，包括针对 DNA 的核酸酶（如 Cas9、Cas12）、碱基编辑器与引物编辑器。这些工具被广泛应用于基础生物学、疾病建模、治疗开发和农业改良等领域。

随着应用需求不断拓展，许多挑战逐渐显现，例如：

• 如何提高 gRNA 设计的效率与精准度；
• 如何扩展编辑器对 PAM 的兼容性；
• 如何提高编辑效率、减少脱靶效应；
• 如何发现新的基因编辑酶；
• 如何预测编辑后的细胞功能改变。

人工智能，特别是机器学习与深度学习，正在为这些挑战提供系统性的解决方案。从序列–功能建模、结构预测，到生成式蛋白设计，再到虚拟细胞模型，AI 逐渐成为基因编辑的重要推动力量。

图1｜AI 在疾病突变编辑流程中的整合示意图

CRISPR 基因编辑工具

CRISPR 工具有三大主要类别：

核酸酶编辑（Nuclease-based editing）

这是最早发展、也是应用最广泛的基因编辑方式。代表工具包括：

• Cas9
• Cas12
• 其他 Cas 家族变体

其机制是通过 gRNA 引导在目标位点产生 DNA 双链断裂，随后依赖细胞自身修复机制完成基因修改。

挑战包括：

• PAM 兼容性有限
• 脱靶风险较高
• 难以实现精确的点突变修改

碱基编辑（Base editing）

碱基编辑器无需造成双链断裂，即可实现点突变转换。常见的编辑包括：

• C→T
• A→G

优势是高效、精准，而挑战包括：

• 旁效编辑（bystander editing）
• 限于特定序列窗口
• 仍受 PAM 限制

引物编辑（Prime editing）

引物编辑能够执行更广泛的修改，包括插入、缺失、任意点突变。其依赖：

• 引物编辑引导 RNA（pegRNA）
• 逆转录酶

尽管功能强大，但其编辑效率仍受限于 pegRNA 的结构与表达效率，因此需要优化。

AI 在 gRNA 优化中的应用

gRNA 设计对基因编辑成败至关重要，但其影响因素多维而复杂，包括：

• gRNA 与靶序列的结合效率
• 靶位点在染色质中的可达性
• Cas 酶与 gRNA 的结构匹配
• 潜在脱靶效应
• 编辑产物的分布

传统方法依赖经验规则，而 AI 通过大规模训练数据可实现更精准预测。

AI 提升 gRNA 设计的方式包括：

1. 序列–功能预测模型

通过训练深度学习模型，预测：

• gRNA 活性
• DNA 开放程度
• 脱靶可能性
• 编辑结果分布（如碱基编辑产物构成）

2. 端到端 gRNA 评分系统

模型整合多种特征，以给出优化后的 gRNA 排名。

3. 多模态模型

结合：

• DNA 序列
• 染色质状态
• RNA 结构

对 gRNA 表现进行更全面评估。

AI 让 gRNA 设计更加标准化、系统化，并显著提升成功率。

图2｜AI 模型如何预测 gRNA 活性、结构可及性和编辑结果

AI 驱动的编辑器工程与进化

AI 正在帮助研究人员重新设计、优化基因编辑器蛋白质。

图3｜AI 指导 Cas 酶工程化的策略与示例

AI 在编辑器工程中的主要应用包括：

1. 预测序列–功能关系

通过深度学习模型学习大量变体数据，可用于预测：

• 哪些氨基酸突变能提升编辑效率
• 哪些变体可减少脱靶效应
• 哪些变体能拓宽 PAM 识别范围

2. AI 辅助蛋白结构预测

工具如 AlphaFold、RoseTTAFold 使研究人员无需实验即可获取 Cas 酶与编辑器结构，为理性设计提供基础。

结构预测可用于：

• 识别关键功能区域
• 设计提高稳定性或活性的突变
• 支持循环式结构优化

3. 生成式 AI 设计新型酶变体

AI 能生成从未在自然界出现、但可能功能更优的 Cas 酶或脱氨酶模块。例如：

• 扩展 PAM 范围的 Cas9 变体
• 具有更高特异性的碱基编辑器
• 体积更小、更易递送的 Cas 家族成员

AI 用于发现和生成新型编辑酶

AI 不仅能优化现有工具，还能帮助发现新编辑器。

AI 从基因组数据中自动挖掘 Cas 酶

深度学习可识别潜在的 CRISPR–Cas 序列模式，实现：

• 自动化发现新型 CRISPR 系统
• 提前预测其功能特性
• 识别高潜力的工程化模板

生成式模型设计去 novo 基因编辑酶

生成式 AI（如蛋白语言模型、扩散模型）能够：

• 生成具 Cas 活性的序列
• 设计新的 PAM 识别结构
• 创造具有编辑功能的新型蛋白

这些新型工具往往在序列上与天然 Cas 酶差异巨大，但保持功能可行性。

图4｜生成式 AI 在新型基因编辑酶设计中的应用

总结与展望

AI 正在系统性重塑基因编辑领域，带来多个方向的变革：

系统探索巨大设计空间

蛋白序列的组合数量极为庞大，AI 提供在此空间中导航和优化的能力。

加速实验效率

通过 AI：

• 优化 sgRNA
• 指导蛋白设计
• 预测细胞响应

实验速度显著提升。

推动临床转化

AI 在以下方面具有潜在价值：

• 识别致病位点
• 预测编辑风险
• 支持临床试验设计

构建虚拟细胞模型（Virtual Cell Models）

基于单细胞 CRISPR 扰动数据训练的模型，可模拟：

• 细胞对特定编辑的响应
• 基因网络变化
• 表型后果

未来可在虚拟空间中进行大规模编辑筛选。

走向统一且自动化的编辑流程

AI 正在使基因编辑流程逐步实现：

• 标准化
• 自动化
• 全流程整合（Cas 选择 → gRNA 优化 → 递送系统 → 预测结果）

AI 将成为下一代基因编辑技术革新的核心力量。

图5｜AI 驱动的标准化基因编辑流程未来蓝图

整理 | DrugOne团队

参考资料

Thomson, T., Li, G., Strilchuk, A. et al. Harnessing artificial intelligence to advance CRISPR-based genome editing technologies. Nat Rev Genet (2025).

https://doi.org/10.1038/s41576-025-00907-1

内容为【DrugOne】公众号原创｜转载请注明来源