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

Resumo Técnico: Perfilamento Sistemático de Variantes PE6 para Otimização de Edição de Prime (Prime Editing)

Definição do Problema
A edição de prime (prime editing) oferece uma plataforma versátil para a engenharia genômica precisa sem induzir quebras de fita dupla ou exigir modelos de DNA doador. No entanto, o campo carece de princípios generalizáveis para a seleção de variantes otimizadas de editores de prime. Embora a família PE6 (composta pelas variantes a através g) e sistemas relacionados (PE2max, PE2max-ΔRNaseH) tenham demonstrado atividade robusta, estudos anteriores foram limitados por avaliações de pequena escala de conjuntos de pegRNAs. Consequentemente, os fatores que determinam quando variantes específicas de PE6 superam outras — particularmente sob designs de pegRNA terapeuticamente relevantes — permanecem mal definidos. Essa lacuna força os pesquisadores a depender de testes empíricos em vez de princípios de design baseados em dados para a edição genômica terapêutica.

Metodologia
Os autores empregaram uma abordagem de triagem de alto rendimento e paralelismo massivo para comparar sistematicamente nove editores de prime: PE2max, PE2max-ΔRNaseH e sete variantes de PE6 (PE6a–g).

• Design da Biblioteca: Uma biblioteca abrangente de 18.297 pares únicos de sequência alvo–pegRNA foi construída. Esta incluiu:
  • 5.815 pares modelando mutações de 1–3 nt do ClinVar.
  • 5.233 pares projetados para inserções mais longas que 3 nt.
  • 2.058 pares com incompatibilidades (mismatches) de nucleotídeo único sistemáticas para perfilar a tolerância.
  • Controles adicionais e conjuntos de incompatibilidade aleatória.
  • A biblioteca utilizou scaffolds de pegRNA engenheirados (epegRNA), atribuindo aleatoriamente motivos 3' (tevopreQ1 ou tmpknot) para análise on-target.
• Configuração Experimental: Linhagens celulares HEK293T foram geradas para expressar cada um dos nove editores de prime de forma estável em uma baixa multiplicidade de infecção (MOI) para garantir a integração de cópia única. Essas células foram transduzidas com a biblioteca pareada em uma MOI de 0,5. As eficiências de edição foram quantificadas via sequenciamento profundo aos 7 e 14 dias pós-transdução.
• Modelagem Computacional: Os autores desenvolveram o DeepPrime6, um modelo de aprendizado profundo para prever a atividade de edição. Três estratégias de treinamento foram comparadas: (i) aplicação zero-shot de um modelo DeepPrime pré-treinado, (ii) treinamento do zero nos novos conjuntos de dados de PE6, e (iii) ajuste fino (fine-tuning) do modelo DeepPrime pré-treinado com os dados de PE6.
• Estratégias de Aperfeiçoamento: O estudo avaliou a eficácia de motivos de RNA 3' específicos (tmpknot vs. tevopreQ1) e a fusão da proteína de ligação ao RNA, La, a variantes de PE (gerando PE7, PE7b e PE7c) para estabilizar a interação transcriptase reversa–pegRNA.

Principais Resultados

• Desempenho das Variantes: Em 12.481 pegRNAs, o PE6b (eficiência média de 6,6%) e o PE6c (6,1%) exibiram atividade significativamente maior do que outras variantes, incluindo PE6a (5,0%) e PE2max (2,4%). Notavelmente, o PE2max-ΔRNaseH (4,6%) mostrou atividade substancialmente superior ao PE2max de comprimento total, uma distinção não aparente em estudos anteriores limitados.
• Generalização: O PE6b e o PE6c demonstraram a atividade mais alta ou equivalente em 89,0% dos pegRNAs com eficiência de edição ≥5%. O PE6b foi o editor dominante em 74,8% desses casos. Outras variantes (PE6d–g) mostraram vantagens em menos de %3 dos casos, indicando que sua utilidade é restrita a contextos de sequência específicos.
• Tolerância a Incompatibilidades (Mismatch) e Especificidade: O perfilamento de alta capacidade de incompatibilidades dependentes de posição revelou que os editores de prime são altamente sensíveis a incompatidades nas regiões PBS e RTT. O PE6b alcançou o equilíbrio mais favorável entre atividade geral e tolerância a incompatibilidades, tornando-se um editor robusto e amplamente aplicável. O PE6a exibiu a menor tolerância a incompatibilidades, posicionando-se como uma alternativa de especificidade maximizada. Todas as variantes testadas mantiveram frequências de indels abaixo de 0,05%.
• Otimização de Motivos e Fusão: Contrariamente às recomendações anteriores baseadas em conjuntos limitados, o motivo tmpknot superou consistentemente o tevopreQ1 na maioria das variantes de PE e tipos de edição. Além disso, a fusão da proteína La ao PE6b e PE6c (criando PE7b e PE7c) resultou em ganhos de atividade consistentes, embora modestos (1,1 vez e 1,4 vez, respectivamente).
• Modelagem Preditiva: O modelo DeepPrime6, utilizando uma estratégia de ajuste fino, alcançou a maior precisão preditiva (Pearson's r = 0,66–0,71) para as variantes de PE6, superando tanto os modelos zero-shot quanto os treinados do zero.

Significância e Alegações
O estudo estabelece princípios de design práticos e baseados em dados para a seleção e otimização de editores de prime baseados em PE6. Os autores concluem que o PE6b serve como um editor padrão robusto para aplicações terapêuticas, com o PE6c como uma alternativa comparável, enquanto o PE6a é ideal para contextos que exigem especificidade maximizada.

Os autores afirmam que suas descobertas fornecem uma base quantitativa para a edição genômica terapêutica, afastando o campo do ensaio e erro empírico. Eles sugerem ainda que os perfis de atividade e as preferências de scaffold identificados aqui são provavelmente compartilhados por editores de próxima geração (como as variantes PE8 recentemente relatadas), pois estes derivam de núcleos catalíticos semelhantes. Finalmente, o desenvolvimento do modelo DeepPrime6 oferece um arcabouço computacional para guiar a seleção de variantes e otimizar estratégias de edição de prime para diversos alvos terapêuticos.