Systematic profiling of PE6 variants establishes generalizable principles for efficient and specific prime editing

기술 요약: 프라임 에디팅 최적화를 위한 PE6 변이체의 체계적 프로파일링

문제 정의
프라임 에디팅(Prime editing)은 이중 가닥 절단(double-strand breaks)을 유도하거나 공여 DNA 템플릿을 필요로 하지 않고 정밀한 게놈 엔지니어링을 제공하는 다재다능한 플랫폼이다. 그러나 PE6 패밀리(변이체 a부터 g까지 구성)와 관련 시스템(PE2max, PE2max-ΔRNaseH)이 강력한 활성을 입증했음에도 불구하고, 기존 연구들은 소규모의 pegRNA 세트 평가에 국한되어 있었다. 결과적으로, 특정 PE6 변이체가 다른 변이체보다 우수한 성능을 보이는 시점—특히 치료적으로 유의미한 pegRNA 설계 조건 하에서—을 결정하는 요인들이 명확히 정의되지 않았다. 이러한 격차는 연구자들이 데이터 기반의 설계 원칙 대신 경험적인 테스트에 의존하게 만든다.

방법론
저자들은 9가지 프라임 에디터(PE2max, PE2max-ΔRNaseH, 그리고 7가지 PE6 변이체 PE6a–g)를 체계적으로 비교하기 위해 대규모 병렬 고처리량 스크리닝 접근 방식을 채택하였다.

• 라이브러리 설계: 18,297개의 고유한 pegRNA–표적 서열 쌍으로 구성된 포괄적인 라이브러리가 구축되었다. 여기에는 다음이 포함된다:
  • ClinVar 모델링 1–3 nt 돌연변이(5,815쌍).
  • 3 nt보다 긴 삽입을 위해 설계된 쌍(5,233쌍).
  • 내성을 프로파일링하기 위한 체계적인 단일 뉴클레오타이드 미스매치(2,058쌍).
  • 추가적인 대조군 및 무작위 미스매치 세트.
  • 라이브러리는 온타겟(on-target) 분석을 위해 3' 모티프(tevopreQ1 또는 tmpknot)를 무작위로 할당한 engineered pegRNA(epegRNA) 스캐폴드를 활용하였다.
• 실험 설정: 각 9가지 프라임 에디터를 낮은 다중 감염(MOI)으로 안정적으로 발현하는 HEK293T 세포주를 생성하여 단일 복사본 통합을 보장하였다. 이 세포들에 MOI 0.5로 페어와이즈(pairwise) 라이브러리를 형질전환하였다. 편집 효율은 형질전환 7일 및 14일 후에 심층 시퀀싱(deep sequencing)을 통해 정량화되었다.
• 컴퓨팅 모델링: 저자들은 편집 활성을 예측하기 위한 딥러닝 모델인 DeepPrime6를 개발하였다. 세 가지 훈련 전략이 비교되었다: (i) 사전 학습된 DeepPrime 모델의 제로샷(zero-shot) 적용, (ii) 새로운 PE6 데이터셋을 사용하여 처음부터 학습(training from scratch), (iii) PE6 데이터로 사전 학습된 DeepPrime 모델을 미세 조정(fine-tuning).
• 강화 전략: 특정 3' RNA 모티프(tmpknot vs. tevopreQ1)의 효능과 역전사 효소–pegRNA 상호작용을 안정화하기 위해 RNA 결합 La 단백질을 PE 변이체에 융합하는 것(PE7, PE7b, PE7c 생성)을 평가하였다.

주요 결과

• 변이체 성능: 12,481개의 pegRNA 전체에서, PE6b(평균 효율 6.6%)와 PE6c(6.1%)는 PE6a(5.0%) 및 PE2max(2.4%)를 포함한 다른 변이체들보다 유의미하게 높은 활성을 나타냈다. 특히, PE2max-ΔRNaseH(4.6%)는 전체 길이의 PE2max보다 실질적으로 높은 활성을 보였는데, 이는 이전의 제한된 연구들에서는 명확히 드러나지 않았던 차이점이다.
• 일반화 가능성: PE6b와 PE6c는 편집 효율이 5% 이상인 **89.0%**의 pegRNA에서 가장 높거나 동등한 활성을 보였다. PE6b는 이 중 74.8%의 사례에서 지배적인 에디터였다. 다른 변이체들(PE6d–g)은 3% 미만의 사례에서 이점을 보였으며, 이는 이들의 유용성이 특정 서열 맥락에 국한됨을 나타낸다.
• 미스매치 내성 및 특이성: 위치 의존적 미스매치에 대한 고처리량 프로파일링 결과, 프라임 에디터는 PBS 및 RTT 영역의 미스매치에 매우 민다는 것이 밝혀졌다. PE6b는 일반적인 활성과 미스매치 내성 사이에서 가장 유리한 균형을 달성하여, 견고하고 광범위하게 적용 가능한 에디터가 되었다. PE6a는 가장 낮은 미스매치 내성을 보여, 특이성을 극대화한 대안으로서의 위치를 점했다. 테스트된 모든 변이체는 인델(indel) 빈도를 0.05% 미만으로 유지했다.
• 모티프 및 융합 최적화: 제한된 세트에 기반한 이전의 권장 사항과는 반대로, tmpknot 모티프가 대부분의 PE 변이체 및 편집 유형에서 tevopreQ1보다 일관되게 우수한 성능을 보였다. 또한, PE6b 및 PE6c에 La 단백질을 융합하는 것(PE7b 및 PE7c 생성)은 일관되지만 완만한(modest) 활성 증가(각각 1.1배 및 1.4배)를 가져왔다.
• 예측 모델링: 미세 조정 전략을 활용한 DeepPrime6 모델은 가장 높은 예측 정확도(Pearson's r = 0.66–0.71)를 달성하였으며, 이는 제로샷 및 처음부터 학습된 모델들을 능가하였다.

의의 및 주장
본 연구는 PE6 기반 프라임 에디터의 선택 및 최적화를 위한 실질적인 데이터 기반 설계 원칙을 확립한다. 저자들은 PE6b가 치료적 응용을 위한 견고한 표준 에디터 역할을 하며, PE6c가 그에 필적하는 대안이 되는 반면, PE6a는 특이성을 극대화해야 하는 맥락에 최적이라고 결론짓는다.

저자들은 자신들의 연구 결과가 경험적인 시행착오에서 벗어나, 치료적 게놈 편집을 위한 정량적 근거를 제공한다고 주장한다. 또한, 여기서 확인된 활성 프로파일과 스캐폴드 선호도는 이들이 유사한 촉매 핵심(catalytic cores)에서 유래했기 때문에 차세대 에디터(최근 보고된 PE8 변이체 등)에서도 공유될 가능성이 높다고 제안한다. 마지막으로, DeepPrime6 모델의 개발은 다양한 치료적 타겟에 대해 프라임 에디팅 전략을 최적화하고 변이체 선택을 안내하는 계산적 프레임워크를 제공한다.