Mechanistic machine learning enables interpretable and generalizable prediction of prime editing outcomes

Motivation

• Known: 프라임 편집(PE)은 이중 가닥 절단 없이 게놈에 정밀한 편집을 수행할 수 있는 기술이며, pegRNA 설계 최적화는 수백~수천 가지 조합을 평가해야 하는 병목이다. MMR(mismatch repair)이 PE 효율의 주요 결정 요인이며, PRIDICT, DeepPrime, OPED 등 기존 ML 모델들이 존재한다.
• Gap: 기존 ML 모델(PRIDICT, DeepPrime, OPED)은 블랙박스 구조로 생물학적 메커니즘과의 대응이 없어 해석 가능성이 낮고, 특히 좋은 성능의 pegRNA들 간 최적 선택 예측이 부족하며, 새로운 실험 조건에 대한 일반화가 제한적이다.
• Why: PE는 임상적으로 중요한 기술(CGD 치료 사례)이지만 효율적 적용을 위해 대규모 스크리닝이 필요하므로, 해석 가능하고 일반화 가능한 예측 모델은 PE 기술의 개발과 치료 응용 가속화에 매우 중요하다.
• Approach: PE 메커니즘의 생화학적 단계를 모델링하는 분리된 ML 서브-모델들로 pseudo-rate를 예측하고, 이들 비율로 매개변수화된 ODE 시스템을 시간에 따라 적분하여 최종 편집 효율을 계산한다. MMR-결핍(HEK293T) 및 MMR-함유(HeLa) 세포에서 매칭된 pegRNA-타겟 라이브러리 스크린을 수행하여 MMR 의존/독립 결정 요인을 분리하고, 40개 실험 조건의 데이터로 멀티-컨텍스트 공동 학습을 시행한다.

Achievement

Figure 3. OptiPrime is a mechanism-based machine learning model of prime editing

• PE 효율 예측 SOTA 달성: 벤치마킹 및 ablation 연구를 통해 기존 모델 대비 우수한 성능 입증
• PE3 및 twinPE 예측: 학습하지 않은 twinPE 데이터도 예측 가능, PE3 효율 모델링 가능
• MMR 학습 검증: pseudo-rate 상수가 PE 메커니즘의 개별 단계 효과와 일치 확인
• 다중 세포 유형 일반화: HEK293T, HeLa, 일차 인간·마우스 세포에서 검증
• in vivo 치료 응용 입증: KIF1A 신경계 장애 마우스 모델에서 뇌 피질 >40% in vivo PE 효율 달성

How

Figure 2. High-throughput lentiviral screens recapitulate the sequence determinants of

• ODE 기반 메커니즘 모델링: pegRNA 바인딩, 역전사, DNA 수리 등 생화학적 단계를 pseudo-rate로 매개변수화
• 분리된 특성 공간: 각 pseudo-rate 모델은 해당 생물학적 과정에만 관련된 특성을 사용하여 작업 분리 달성
• 멀티-컨텍스트 학습: 40개 실험 조건을 공변량으로 통합하여 조건-의존적 예측 수행
• 고처리량 라이브러리 스크린: 1,290개 타겟에서 74,769개 PE 효율 데이터 생성, 10,000 pegRNA Lib-MMR 활용
• 예측 후 검증: 학습된 pseudo-rate 상수와 측정된 개별 메커니즘 단계 효과 비교로 메커니즘 학습 확인

Originality

• 메커니즘 기반 구조: 기존 블랙박스 모델과 달리 생물학적 메커니즘을 수학적 구조로 직접 인코딩
• ODE 통합 시스템: 생화학 동역학을 명시적으로 모델링하여 해석 가능한 pseudo-rate 추출
• 분리된 특성 공간 설계: 각 과정의 생물학적 특이성에 따라 입력 특성을 엄격히 분리
• 멀티-컨텍스트 공동 학습: 전통적 ML의 데이터 기반 미세조정 대신 메커니즘 구조로 직접 조건 통합

Limitation & Further Study

• 데이터 편향: 대부분의 스크린이 저자들의 실험실과 제한된 파트너 기관에서 수집되어 다양한 세포 유형과 편집 형태에 대한 외부 데이터셋 검증 필요
• 모델 복잡성: ODE 매개변수화의 생물학적 타당성이 완전히 증명되지 않았으며, pseudo-rate가 실제 생화학 비율의 완벽한 프록시인지 검증 제한
• twinPE 외삽: 학습하지 않은 twinPE 데이터 예측의 신뢰도 평가 미흡
• 후속 연구: 추가 세포 유형, 편집 형태(큰 삭제/삽입), 동물 모델에서의 광범위한 검증 필요; 메커니즘 모델 구조의 최적화 탐색

Evaluation

총평: 이 연구는 복잡한 생물학적 메커니즘을 ODE로 직접 통합한 메커니즘-기반 기계학습의 우수한 사례로서, SOTA 예측 성능, 강한 해석 가능성, 그리고 in vivo 치료 응용 입증을 통해 프라임 편집 기술의 임상 발전을 크게 가속화할 것으로 판단된다.