The success of prime editing depends on the prime editing guide RNA (pegRNA) design and target locus. Here, we developed machine learning models that reliably predict prime editing efficiency. PRIDICT2.0 assesses the performance of pegRNAs for all edit types up to 15 bp in length in mismatch repair-deficient and mismatch repair-proficient cell lines and in vivo in primary cells. With ePRIDICT, we further developed a model that quantifies how local chromatin environments impact prime editing rates.

中文翻译：

---

机器学习预测不同染色质环境中的主要编辑效率

引物编辑的成功取决于引物编辑引导RNA (pegRNA) 的设计和靶位点。在这里，我们开发了能够可靠预测主要编辑效率的机器学习模型。 PRIDICT2.0 在错配修复缺陷和错配修复熟练的细胞系以及体内原代细胞中评估长度长达 15 bp 的所有编辑类型的 pegRNA 的性能。通过 ePRIDICT，我们进一步开发了一个模型，可以量化局部染色质环境如何影响主要编辑率。