精准编辑的“导航仪”：PRIDICT2.0与ePRIDICT如何系统性优化prime editing实验设计
Prime editing（先导编辑）作为新一代无双链断裂的精准基因编辑技术，近年来迅速成为基础研究与基因治疗开发的核心工具。然而，其效率高度依赖于pegRNA（prime editing guide RNA）的设计与靶位点的染色质环境——变量繁多、试错成本高昂，极大限制了技术的规模化应用。2025年，苏黎世大学Schwank团队在Nature Biotechnology与Nature Protocols连续发表升级版计算工具 PRIDICT2.0 与 ePRIDICT，首次实现了从序列层面到表观层面的编辑效率联合预测，为prime editing提供了系统性设计框架。
一、为何需要PRIDICT2.0？——破解pegRNA设计的“组合爆炸”难题
一个目标位点上，可设计的pegRNA数量常达数千：protospacer序列、PBS（primer binding site）长度（通常10–15 nt）、RTT（reverse transcription template）长度（含编辑序列与同源臂），以及编辑类型（替换、插入、缺失）均可自由组合。传统经验规则（如PBS=13 nt、RTT overhang=10 nt）仅适用于部分场景，且对>3 bp编辑预测能力有限。
PRIDICT2.0的突破在于：
基于大规模实验数据训练：整合HEK293T（MMR缺陷）与K562（MMR完整）细胞中近10万条pegRNA的高通量筛选数据；
支持复杂编辑类型：可预测最长40 bp的插入/缺失/替换，并首次支持“沉默旁观者编辑”（silent bystander edits）——即在不改变氨基酸序列前提下引入同义突变，以规避错配修复（MMR）通路抑制，显著提升短编辑效率；
双模型适配不同细胞背景：提供MMR−（HEK293T模型）与MMR+（K562模型）两套评分体系，指导用户根据靶细胞修复状态选择最优设计。
实测显示（Nat. Biotechnol. 2025），在100个ClinVar致病点突变的模拟设计中，PRIDICT2.0精选的pegRNA中位预测分显著优于随机筛选或传统规则设计；若进一步引入沉默编辑，K562模型下效率预测值提升超30%。
二、为何还需ePRIDICT？——染色质环境是编辑效率的“隐形开关”
即使pegRNA设计完美，若靶位点位于异染色质区域（如H3K9me3/H3K27me3富集区），编辑效率仍可能极低。Schwank团队创新性采用TRIP技术（Thousands of Reporters Integrated in Parallel），将同一报告系统整合至基因组数千不同位点，排除序列干扰，首次系统量化染色质状态对prime editing的影响。
结果明确显示：
开放染色质（如启动子、基因体）显著促进编辑；
封闭/抑制性染色质 导致效率大幅下降。
基于此，团队开发了ePRIDICT——一个基于XGBoost的梯度提升模型，整合ENCODE中6项（light版）或455项（full版）K562表观组学数据（DNase-seq、H3K4me1/2、HDAC2等），对任意hg38坐标输出0–100的“染色质友好度”评分：
>50：高概率高效编辑；
<35：建议规避或预处理（如CRISPRa激活）；
支持全基因组批量扫描，助力高通量文库设计。
值得注意的是，当前ePRIDICT仅适用于人类基因组，且基于K562细胞训练；作者验证其在HEK293T、HepG2中仍具较好泛化性，但对染色质差异显著的细胞系（如神经元、原代T细胞），建议辅以本地ChIP-seq数据校验。
三、如何使用？——兼顾便捷性与可扩展性
两项工具均提供网页版与本地部署双路径：
网页端（www.pridict.it / epridict.it ）：
无需编程基础，输入编辑序列（如(...A/G...)）或基因组坐标（chrX:123456），1分钟内返回排序pegRNA列表（含spacer/PBS/RTT序列、nicking guide推荐、NGS引物设计）及ePRIDICT评分——适合单靶点快速筛选。
本地部署（GitHub开源）：
基于Conda+Python环境，支持：
批量预测数百至数千编辑（HPC集群并行加速）；
自动生成沉默编辑变体；
灵活定位插入/缺失（如“在50 bp窗口内寻找最优终止密码子位点”）；
与自动化克隆流程（如Addgene #174038载体）无缝衔接。
四、未来方向与注意事项
尽管PRIDICT2.0/ePRIDICT大幅提升设计成功率，仍需注意以下几点：
不支持>40 bp编辑或混合编辑类型（如插入+替换）；
未建模PE3/PE5中的nicking guide协同效应（仅额外提供DeepSpCas9评分供参考）；
对非NGG PAM靶点需结合DeepPrime等工具；
U6启动子表达的pegRNA中poly(T)序列影响已纳入模型，但合成pegRNA可能不受此限，需谨慎解读。
展望未来，结合细胞类型特异性表观图谱（如原代细胞ATAC-seq）的定制化ePRIDICT模型，以及整合脱靶预测（如DeepPrime-Off）的全流程平台，将是下一阶段重点。
结语：
从“盲筛”走向“精算”，PRIDICT2.0与ePRIDICT标志着prime editing正式迈入可预测、可编程、可规模化的新阶段。对于正在开展基因功能研究、疾病建模或基因治疗开发的团队，它们不仅是效率倍增器，更是实验设计逻辑的一次范式升级——让每一次编辑，都始于深思熟虑的计算，而非侥幸的尝试。
工具链接
官网：PRIDICT.it - pegRNA Prediction
PRIDICT2.0代码：https://github.com/uzh-dqbm-cmi/PRIDICT2
ePRIDICT代码：https://github.com/Schwank-Lab/epridict
原文：Nat. Protoc. (2025) https://doi.org/10.1038/s41596-025-01244-7
我司可提供Primer Editor pegRNA 载体构建、PE3载体构建(一套)、TwinPE 载体构建、以及Lenti-PE-gRNA慢病毒包装、PE3b-腺病毒包装、Twin-PE-腺病毒包装、点突变细胞珠的构建
