Optimized parameters for Cas9 CRISPR interference library design

De auteurs presenteren Katsano, een geoptimaliseerde CRISPRi-bibliotheek die is ontworpen op basis van nieuwe genomische data en verbeterde voorspellingsmodellen om de efficiëntie en specificiteit van grootschalige gen-silencing-screens te maximaliseren.

De kern

Titel: De perfecte "Stilteknop" voor je genen: Een verhaal over de nieuwe CRISPRi-bibliotheek "Katsano"

Stel je voor dat het menselijk lichaam een enorme, complexe stad is. In deze stad wonen miljarden cellen, en elke cel heeft een bibliotheek met instructieboeken (onze genen). Soms wil een wetenschapper weten wat er gebeurt als ze één specifiek boek uit de bibliotheek halen of het tijdelijk dichtdoen. Dit heet een "loss-of-function" experiment.

Vroeger gebruikten wetenschappers een heel ruwe hamer (CRISPR-Knockout) om de boeken fysiek uit de bibliotheek te scheuren. Dat werkt, maar het is alsof je de hele bibliotheek in brand steekt om te zien welk boek er ontbreekt. Het is permanent, en het kan de stad (de cel) onnodig beschadigen.

Deze paper introduceert een veel slimmere, zachtere aanpak: CRISPR-interferentie (CRISPRi).

1. De "Stilteknop" in plaats van de hamer

In plaats van de boeken te vernietigen, gebruiken ze een slimme robotarm (de dCas9-eiwit) die een zware, zwarte deken (KRAB-domein) over het boek legt. Het boek is er nog, maar niemand kan het meer lezen. De instructies worden tijdelijk "stilgezet". Dit is veiliger, reversibel (je kunt de deken weer wegdoen) en laat de cel intact.

Maar hier is het probleem: Er zijn duizenden boeken, en je wilt niet per ongeluk een verkeerd boek dichtdoen, of een boek dat al dicht is. Je hebt een perfecte lijst nodig met de beste plekken om die deken te leggen.

2. Het probleem met de oude lijsten

De wetenschappers merkten dat de oude lijsten (bibliotheken) niet meer helemaal klopten.

• Verouderde kaarten: De stad is veranderd; nieuwe wegen zijn aangelegd (nieuwe transcriptie-startpunten of TSS). De oude lijsten leidden de robot soms naar de verkeerde plek.
• Slechte deken-keuze: Ze gebruikten verschillende soorten dekens (KRAB-domeinen). Sommige waren dikker en effectiever dan andere.
• Onzichtbare valkuilen: Soms legde de robot de deken op een boek dat eruit zag als het doel, maar eigenlijk een ander boek was (off-target effecten).

3. De Grote Test: Het "Tegelspellen"

Om dit op te lossen, bouwden ze een gigantisch testveld. Ze legden duizenden kleine tegels (gidsen) over de startpunten van honderden belangrijke en onbelangrijke genen. Het was alsof ze elke hoek van de bibliotheek afzochten om te zien:

• Welke deken werkt het beste? (Ze ontdekten dat een deken genaamd Zim3, geplaatst aan de voorkant van de robotarm, het beste werkt).
• Waar moet je de deken precies leggen? (Binnen een heel klein raam van 0 tot 75 letters na het begin van het boek).
• Welke boeken zijn makkelijk te bereiken? (Boeken in een "open" ruimte, waar de chromosomen niet dicht op elkaar liggen, zijn makkelijker te bereiken. Ze gebruikten moderne kaarten (ATAC-seq) om deze open plekken te vinden).

4. De nieuwe regels: "Rule Set 3i"

Op basis van al deze tests maakten ze een nieuwe, super-slimme computerformule (Rule Set 3i). Deze formule is als een ervaren bibliothecaris die weet:

1. Waar je moet zitten (dicht bij het begin van het boek).
2. Wat je moet lezen (de volgorde van letters in het boek).
3. Hoe open de ruimte is (is het een drukke gang of een rustige hoek?).

5. De valkuil: De "GG"-valstrik

Ze ontdekten iets verrassends over de "zaadjes" (seed sequences) van de robotarm. Als de robotarm een reeks letters had die leek op een startsein (PAM, specifiek "GG"), ging hij soms op de verkeerde plekken hangen, zelfs als het boek niet helemaal klopte.

• Analogie: Het is alsof de robotarm een magneet is die per ongeluk vastzit aan andere metalen voorwerpen in de kamer als er te veel ijzer in de buurt is.
• De oplossing: Ze stelden een regel op: "Gebruik geen robotarm met meer dan twee 'GG's in zijn magneetgedeelte." Dit voorkomt dat hij per ongeluk andere boeken dichtdoet.

6. De nieuwe held: "Katsano"

Met al deze nieuwe kennis bouwden ze een nieuwe, geoptimaliseerde bibliotheek genaamd Katsano.

• Kleiner en slimmer: In plaats van 10 gidsen per gen (zoals de oude lijsten), gebruiken ze er maar 3. Maar omdat ze zo slim zijn gekozen, werken ze beter.
• Preciezer: Ze vermijden de "GG-valstrik" en kiezen alleen plekken die in de computerformule als "perfect" scoren.
• Resultaat: Toen ze Katsano testten in levende cellen, bleek het veel beter te werken dan de oude lijsten. Het vond sneller welke genen essentieel zijn voor het leven van de cel en maakte veel minder fouten.

Conclusie

Dit paper is als het updaten van de navigatie-app voor een auto. De oude app (oude bibliotheken) bracht je soms naar dode straten of leidde je in verkeerde richtingen. De nieuwe app (Katsano) gebruikt de allerlaatste verkeerskaarten, weet precies waar de gaten in de weg zitten, en kiest de snelste route. Hierdoor kunnen wetenschappers nu veel sneller en nauwkeuriger ontdekken welke genen ziektes veroorzaken, zonder de cel onnodig te beschadigen.

Het is een stap voorwaarts in het begrijpen van het leven, met een tool die niet meer kapot maakt, maar gewoon even "stopt" om te kijken wat er gebeurt.

Technische samenvatting

Probleemstelling

CRISPR-interferentie (CRISPRi) is een krachtige technologie voor het bestuderen van verlies-van-functie fenotypes, omdat het genexpressie tijdelijk en reversibel onderdrukt zonder dubbelstrengs DNA-breuken te veroorzaken (in tegenstelling tot CRISPR-knockout). Ondanks de voordelen, zijn er uitdagingen bij het ontwerpen van compacte, kostenefficiënte bibliotheken voor grootschalige screens:

1. Verouderde annotaties: Bestaande bibliotheken (zoals hCRISPRiv1, hCRISPRiv2 en Dolcetto) zijn gebaseerd op oudere transcript-annotaties en missen recente updates zoals de MANE Select-transcripten.
2. Onnauwkeurige voorspelling: Bestaande modellen voor het voorspellen van sgRNA-activiteit zijn vaak getraind op CRISPR-knockout-data en niet specifiek op CRISPRi, waarbij chromatinetoegankelijkheid en positie t.o.v. de Transcription Start Site (TSS) cruciaal zijn.
3. Off-target effecten: Er is een gebrek aan inzicht in de specifieke patronen die leiden tot off-target activiteit bij CRISPRi, wat anders is dan bij CRISPR-knockout.
4. Complexiteit van TSS: Genen kunnen meerdere transcriptie-startsites (TSS) hebben, wat leidt tot vals-negatieve resultaten als alleen de hoofd-TSS wordt targeted.

Methodologie

De auteurs voerden een reeks grootschalige experimenten en analyses uit om een geoptimaliseerde CRISPRi-bibliotheek te ontwerpen:

1. Grootschalige Tiling-screens:

   • Er werden twee bibliotheken ontworpen die promoterregio's (1000 bp stroomopwaarts en afwaarts) van essentiële en niet-essentiële genen "tegelden".
   • Primair scherm: 201 essentiële en 198 niet-essentiële genen met in totaal 108.574 sgRNA's.
   • Secundair scherm: 30 essentiële en 30 niet-essentiële genen om verschillende systemen te testen.
   • Cellijnen: Screens werden uitgevoerd in A549 en HCT116 cellijnen.

2. Vergelijking van Repressie-systemen:

   • Verschillende KRAB-domeinen (Kox1 en Zim3) werden getest, zowel aan de N-terminus als C-terminus van dCas9.
   • Er werd ook getest of nanobody-gemedieerde rekrutering (ALFA-Nb) van repressiedomeinen een alternatief kon zijn voor directe fusie.

3. Ontwikkeling van het Voorspellingsmodel (RS3i):

   • Data van de tiling-screens werd gecombineerd met bestaande datasets (Nunez et al., Gilbert et al.).
   • Er werd een machine learning-model (XGBoost) getraind om de on-target activiteit te voorspellen.
   • Features: Sequentiekenmerken (Rule Set 3 Sequence score), afstand tot de TSS, en chromatinetoegankelijkheid (ATAC-seq, DHS, ChIP-seq).
   • Het uiteindelijke model, Rule Set 3 Interference (RS3i), gebruikt de drie meest invloedrijke features.

4. Karakterisering van Off-target Effecten:

   • Er werd geanalyseerd welke sgRNA-kenmerken leiden tot "promiscuous" (promiscue) gedrag (vals-positieve depletie van niet-essentiële genen).
   • Er werd specifiek gekeken naar de "seed sequence" (10-12 bp dicht bij de PAM) en de aanwezigheid van PAM-achtige sequenties (zoals GG) binnen deze regio.

5. Ontwerp van de Katsano-bibliotheek:

   • Gebaseerd op de nieuwe inzichten werd een nieuwe, compacte genomische bibliotheek ontworpen.
   • Doel: 3 sgRNA's per TSS, met strikte filters voor on-target score (RS3i), off-target risico (Seed Score < 3) en SNP-varianten.

Belangrijkste Bijdragen en Resultaten

• Optimalisatie van dCas9-fusie:

  • N-terminale fusies van KRAB-domeinen aan dCas9 bleken over het algemeen effectiever dan C-terminale fusies.
  • Het Zim3-dCas9 systeem (N-terminaal) presteerde het beste en werd gekozen als de standaard voor de nieuwe bibliotheek.
  • Nanobody-gemedieerde rekrutering bleek een haalbaar alternatief, maar directe fusie was superieur of gelijkwaardig.

• Nieuw Voorspellingsmodel (RS3i):

  • Het RS3i-model integreert sequentiekenmerken, TSS-afstand en ATAC-seq pieken.
  • ATAC-seq data bleek superieur aan DHS-data voor het voorspellen van CRISPRi-activiteit.
  • Guides met een hoge RS3i-score (boven 1.2) hadden een zeer hoge kans (>80%) op effectieve onderdrukking.

• Seed Sequence en Off-target Risico:

  • Er werd ontdekt dat sgRNA's met een Seed Score van 3 of hoger (gedefinieerd als het aantal 'GG' dinucleotiden in de 12bp seed-regio) sterk geassocieerd zijn met off-target effecten.
  • Guides met een hoge Seed Score vertoonden ook een lagere on-target activiteit, waarschijnlijk door tijdsinvestering in off-target locaties.
  • Het vermijden van PAM-rijke seed-sequenties is een eenvoudige maar effectieve strategie om vals-positieven te verminderen.

• De Katsano-bibliotheek:

  • Schaal: 62.404 unieke sgRNA's gericht op 20.106 genen (inclusief alternatieve TSS's).
  • Kwaliteit: 90,5% van de guides voldoet aan de "gouden standaard" (hoge RS3i, lage Seed Score, geen SNPs).
  • Vergelijking: Katsano heeft een hogere gemiddelde RS3i-score en een veel lagere prevalentie van guides met een hoge Seed Score (<1%) in vergelijking met eerdere bibliotheken zoals Dolcetto en hCRISPRiv2.

• Validatie:

  • Screens met Katsano in A375 en K562 cellijnen toonden een betere scheiding tussen essentiële en niet-essentiële genen.
  • Katsano herstelde meer essentiële genen als significante hits (minder vals-negatieven) dan Dolcetto, ondanks het gebruik van minder guides per gen.
  • Vals-positieven (niet-essentiële genen die als hits werden gemarkeerd) waren aanzienlijk lager bij Katsano.

Significantie

Deze studie levert een fundamentele verbetering op voor het veld van functionele genomics:

1. Hogere Efficiëntie: Door het gebruik van RS3i en het vermijden van promiscue guides, kunnen onderzoekers met kleinere bibliotheken (minder guides per gen) even betrouwbare resultaten behalen, wat de kosten van grootschalige screens verlaagt.
2. Betrouwbaarheid: De identificatie van Seed Score als kritieke factor voor off-target effecten bij CRISPRi biedt een nieuwe, rekenkundig eenvoudige filter die vals-positieven drastisch reduceert.
3. Comprehensive Coverage: Door rekening te houden met alternatieve TSS's en MANE Select annotaties, dekt Katsano een breder spectrum van genexpressie af dan voorgaande bibliotheken.
4. Toekomstgerichte Tooling: De integratie van RS3i in CRISPick maakt het voor de gemeenschap direct mogelijk om geoptimaliseerde CRISPRi-bibliotheken te ontwerpen.

Kortom, de auteurs hebben een nieuwe, data-gedreven standaard geïntroduceerd voor CRISPRi-library design (Katsano) die de nauwkeurigheid, specificiteit en kostenefficiëntie van genfunctiestudies aanzienlijk verbetert.