技术进展 - Korro Bio采用机器学习优化化学修饰的寡核苷酸设计，模型在20%的体外数据上测试，预测精度在体外编辑的7%以内[29] - 通过引入新化学修饰，Korro Bio的模型在8种未见修饰的寡核苷酸中提高了整体错误率[56] - Korro Bio的模型在序列单体特征上表现出r = 0.78的相关性，而在原子特征上为r = 0.66[48] - 通过迭代设计批次，机器学习显著提升了mRNA编辑的效果[33] - Korro Bio的模型在化学修饰模式对体外编辑的影响上，相关性达到r = 0.80[28] - 在新目标和细胞系的模型中，寡核苷酸-靶标相互作用特征显著提升了模型的预测能力[71] - Korro Bio的模型在新修饰的滴定实验中，编辑相关性为r = 0.72[64] - 通过对化学修饰的深入理解，Korro Bio能够提高ADAR引导寡核苷酸的药理学[10] - 机器学习的应用使得Korro Bio能够在化学修饰的引入上进行大规模测试[52] - Korro Bio的模型在序列、化学修饰与体外编辑之间的关系理解上取得了显著进展[29]