综述：人工智能革命化CRISPR技术

这篇综述系统阐述了人工智能（AI）如何通过机器学习（ML）和深度学习（DL）优化CRISPR技术，包括核酸酶（Cas9/Cas12a）、碱基编辑器（CBE/ABE/CGBE）和先导编辑器（PE）的设计与预测。AI通过分析高通量数据提升gRNA活性预测、降低脱靶效应，并辅助发现新型Cas蛋白（如OpenCRISPR-1），为基因治疗提供更精准、安全的工具。

　　

人工智能驱动基因组工程的革新

基因组编辑技术从锌指蛋白（ZFNs）和转录激活样效应因子（TALENs）发展到CRISPR-Cas系统，后者凭借gRNA引导的靶向性成为主流工具。然而，编辑效率的细胞类型差异和脱靶效应仍是重大挑战。人工智能（AI）通过分析海量实验数据，为这些难题提供了高阶解决方案。

优化CRISPR-Cas核酸酶系统

gRNA设计：AI模型如Rule Set 1-3和DeepSpCas9通过分析数万条gRNA序列，识别影响活性的关键特征（如鸟嘌呤富集）。例如，DeepCRISPR同时预测gRNA的靶向效率和脱靶风险，而CRISPRscan在斑马鱼胚胎中验证了截短gRNA的适用性。

脱靶预测：Elevation和CRISPR-DIPOFF等工具利用梯度提升树（GBRT）和长短期记忆网络（LSTM）量化错配容忍度，平衡精确率与召回率。CRISOT进一步整合RNA-DNA相互作用指纹，提升预测精度。

蛋白工程：AlphaFold2预测Cas13的迷你化变体（仅原尺寸1/3），而生成式AI模型Evo设计出非天然Cas9蛋白OpenCRISPR-1，其在人类细胞中编辑效率超越SpCas9。

碱基编辑器的AI赋能

效率提升：BE-Hive和DeepBE分析38,538个靶点，发现序列上下文决定C→T或A→G转换效率。例如，eA3A-BE5通过突变（T44D+S45A）减少副产物，而CGBE-Hive指导546个致病SNVs的精准修复。

内源靶点优化：CAELM模型整合染色质可及性数据，显著提高BE4max在内源位点的预测准确性。BE_Endo进一步揭示转录活性对编辑效率的影响。

先导编辑的精准调控

pegRNA设计：DeepPE和PRIDICT通过54,836组pegRNA-靶点对训练，预测插入/缺失效率。OPED结合迁移学习，为20亿个致病变异提供优化设计方案。

染色质环境影响：ePRIDICT整合MMR（错配修复）通路抑制策略，在异染色质区域仍保持高预测精度。MLH1-SB（AI设计的小结合蛋白）通过阻断MLH1将PE效率提升3倍。

挑战与前景

尽管AI大幅降低了实验试错成本，但其性能仍受限于训练数据的质量和广度。未来，结合多组学数据和体内验证，AI驱动的CRISPR技术有望推动个性化基因疗法进入临床新纪元。