博文

miRBind2：仅通过序列信息预测miRNA结合情况和对转录本的抑制作用

已有 374 次阅读 2026-9-15 21:10 |个人分类:科普|系统分类:科普集锦

miRBind2：仅通过序列信息预测miRNA结合情况和对转录本的抑制作用

微小 RNA（miRNA）是一类具有多种功能的调控性 RNA。它们尤其被视作基因表达的“主调控因子”。自 1993 年 Lee 等人首次发现微小 RNA 以来，人们逐渐认识到它们的重要性：微小 RNA 能够引导 Argonaute 蛋白家族的蛋白质与目标 RNA 上的特定位点结合。在胚胎发育、组织形成以及维持成年人体内的生理平衡过程中，微小 RNA 都发挥着至关重要的作用。miRNA的失调与多种疾病有关，包括癌症、心血管疾病、神经系统疾病以及各种免疫系统相关疾病。这些指标在临床应用中展现出巨大潜力：可作为生物标志物，也可用作治疗药物。最近，它们还被广泛应用于 CAR-T 疗法等先进治疗手段中。

装载有 miRNA 的 AGO 与其靶标 RNA 的结合是由“引导”miRNA 和最常见于靶标 RNA 的 30 个非翻译区 (3’UTR) 中的“靶标位点”之间的部分序列互补性介导的。这种 miRNA 介导的 AGO 和靶 RNA 之间的结合会导致翻译抑制，甚至可以促进靶 RNA 的衰变。

引导 miRNA 与其靶点之间的结合机制尚未被完全理解。大多数经过实验验证的 miRNA 与靶点之间的相互作用，都涉及到位于 miRNA 序列 5’端的“种子”区域的互补性。所谓“典型种子区域”，指的是从 miRNA 5’端开始，至少由六个符合沃森-克里克互补规则的核苷酸构成的序列。迄今为止，大多数靶点预测工具都以这一区域作为识别靶点的依据。除了“种子”区域外，如果还有其他区域的核苷酸与 miRNA 发生互补结合，那么这种相互作用的稳定性会进一步增强，这种结合方式被称为“3’补偿性结合”。不过，也有一些靶点并不依赖于“种子”区域来与 miRNA 结合。“标准种子”也很常见。据估计，通过高通量测序确定的目标位点中，大约有 50%缺乏所谓的“标准种子”。

对 miRNA 靶点的实验性鉴定需要大量的资源和人力，而且很难覆盖所有可能的 miRNA-靶点相互作用情况。因此，有必要利用计算机算法来预测 miRNA 的靶点。该任务的定义如下：给定一个 miRNA 序列和一个潜在的靶点序列，判断该 miRNA 是否能够与这个靶点结合。

在 miRNA 靶点预测任务中，之前开发了一种基于序列的深度学习模型miRBind。该模型在当时优于该领域的所有现有算法。不过，常用的 miRNA-靶点数据集中存在某种频率分布偏差，这种偏差提升了某些算法的性能，但却妨碍了包括 miRBind 在内的许多算法的泛化能力。为了解决这个问题，Čechákdengren等人构建了新的数据集。基于标准的 miRNA 靶点预测基准测试，以及对基线模型的重新训练。具体而言，采用在 miRBind 研究中首次提出的卷积神经网络架构进行重新训练后，该模型的性能优于现有的最佳模型。这一成果为 miRNA 靶点预测任务确立了新的基准标准。

在预测 miRNA 的靶点之后，接下来的任务就是预测 miRNA 对整个靶 RNA 的影响。这种“miRNA 靶基因预测”属于转录水平上的分析，虽然与前述任务相关，但属于独立的分析过程。关于 3’UTR 区域中 miRNA 靶点的预测研究已经有了很长的历史。目前最先进的方法，如 TargetScan，会结合多种信号来预测 miRNA 对靶转录本的影响，而这些信号不仅仅是原始序列信息，还包括进化保守性、序列上下文以及各种人工设计的特征。这些方法通常会用简单的表示方式来描述靶点，比如通过计算靶点的“种子序列长度”或将其分类，然后再利用其他特征来进行更复杂的预测分析。核心问题是：如果能够仅通过序列信息来更准确地预测目标位点，那么是否就能减少对其他辅助工程特征的需求，从而简化功能目标位的预测过程呢？

在这项研究中，Čechák等人首先介绍了 miRBind2（图1，https://github.com/BioGeMT/miRBind_2.0，https://huggingface.co/spaces/dimostzim/BioGeMT-miRBind2）这一方法：该方法利用一种全新的序列表示方式，用于模拟和预测 miRNA 的靶点。其次，将 miRBind2 模型整合到了一个用户友好的网络工具中。最后，展示了将来自 miRNA 靶点数据集的训练成果迁移至 miRNA 功能预测数据集所带来的好处。通过利用丰富的 miRNA 靶点数据，我们可以显著提升 miRNA 功能预测的准确性。

图1 (A) miRNA 介导的 AGO 与 RNA 靶标的结合会导致翻译抑制和 RNA 降解。(B) miRNA 与 RNA 靶标之间的二元关系表示。(C) miRNA 与 RNA 靶标之间的成对关系表示。(D) miRBind2 CNN 模型的简化示意图。(E) miRBind2-3UTR 模型的简化示意图

参考文献

[1] Čechák, D., Tzimotoudis, D., Sammut, S., Gresova, K., Marsalkova, E., Farrugia, D., & Alexiou, P. (2026). miRBind2 enables sequence-only prediction of miRNA binding and transcript repression. Bioinformatics (Oxford, England), 42(Supplement_2), btag410. https://doi.org/10.1093/bioinformatics/btag410

以往推荐如下：

1. 分子生物标志物数据库MarkerDB

2. 细胞标志物数据库CellMarker 2.0

3. 细胞发育轨迹数据库CellTracer

4. 人类细胞互作数据库：CITEdb

5. EMT标记物数据库：EMTome

6. EMT基因数据库：dbEMT

7. EMT基因调控数据库：EMTRegulome

8. RNA与疾病关系数据库：RNADisease v4.0

9. RNA修饰关联的读出、擦除、写入蛋白靶标数据库：RM2Target

10. 非编码RNA与免疫关系数据库：RNA2Immune

11. 值得关注的宝藏数据库：CNCB-NGDC