High-throughput Functional Screening of ATM Gene with Saturation Genome Editing Using Prime Editing

Abstract

ATM, a large gene with 63 exons, plays a critical role in the DNA damage response, and its loss-of-function increases cancer risk and affects the prognosis of cancer patients. However, interpreting the functional impact of ATM variants remains challenging, because most are variants of uncertain significance (VUSs). Here, we used prime editing and deep learning to assess the functions of all 27,513 possible single nucleotide variants (SNVs) in ATM. By leveraging haploidization and olaparib, a PARP inhibitor, we experimentally evaluated 23,092 SNVs, thereby identifying critical residues. Using cancer genetics data and UK Biobank data, we found that our results are useful for estimating both cancer risk and prognosis. We also developed a deep learning model, DeepATM, which predicted the functional effects of the remaining 4,421 SNVs with unprecedentedly high accuracy. This complete evaluation of ATM variants supports precision medicine and provides a framework for addressing VUSs in other genes. ATM은 63개의 엑손을 가진 대형 유전자로, DNA 손상 반응에서 중요한 역할을 하며, 기능 소실이 암 발생 위험을 증가시키고 암 환자의 예후에 영향을 미친다. 그러나 대부분의 ATM 변이가 불확실한 임상적 의미(VUS, Variant of Uncertain Significance)를 가지므로, 그 기능적 영향을 해석하는 것은 여전히 어려운 과제이다. 본 연구에서는 프라임 에디팅(prime editing)과 딥러닝을 활용하여 ATM에서 발생할 수 있는 모든 27,513개의 단일 염기 변이(SNV)의 기능을 평가하였다. 반수체화(haploidization)와 PARP 저해제인 올라파립(olaparib)을 이용한 실험을 통해 23,092개의 SNV를 분석하여 기능적으로 중요한 잔기들을 규명하였다. 또한, 암 유전체 데이터 및 UK Biobank 데이터를 활용하여 본 연구 결과가 암 발생 위험과 예후 예측에 유용함을 확인하였다. 나아가, 딥러닝 모델인 DeepATM을 개발하여, 나머지 4,421개의 SNV의 기능적 효과를 높은 정확도로 예측하였다. 본 연구는 ATM 변이의 종합적인 기능적 평가를 제공함으로써 정밀의학의 진보를 이루고, 다른 유전자에서의 VUS 문제를 해결하기 위한 틀을 제시한다.