AI深度学习助力预测动态细胞蛋白与RNA的动态相互作用

RNA结合蛋白（RNA-binding protein, RBP）在调节细胞RNA的转录，代谢和翻译中起重要作用。但是，目前用于预测RBP-RNA相互作用的工具利用的是RNA序列和/或预测的RNA结构，因此无法捕获其中的机制。确定RBP在不同条件下的结合型材和其中的调节机制对于理解它们的功能是至关重要的。然而，RBP的绝对数量占接近人类蛋白质组的10％，在RBP及其目标之间建立联系是一项巨大的挑战。

日前，清华大学张锋团队通过分析了七种细胞类型的转录组范围内的体内RNA二级结构后，开发了一个名为PrismNet的深度学习工具，来预测动态细胞蛋白与RNA的相互作用。

PrismNet集成了实验的体内RNA结构数据和匹配细胞的RBP结合数据，以准确预测各种细胞条件下的动态RBP结合。团队测试了168个RBP，结果均证明了的PrismNet在用于了解CLIP-seq结果，以及广泛扩展此类相互作用数据以准确分析其他细胞类型上的实用性。

研究团队表示，PrismNet采用一种“注意力”策略来计算识别确切的RBP结合核苷酸。通过这种策略，他们发现了动态RBP结合位点之间的富集结构改变变体（riboSNitches），可以将遗传疾病与失调的RBP结合联系起来。PrismNet的整合基序揭示了RBP–RNA识别的机制

研究提供了丰富的分析数据和基于深度学习的全新预测工具，实现了对以前无法访问的细胞类型特异性RBP-RNA相互作用层的访问，对于理解和治疗人类疾病具有重大意义。

该研究成果以论文形式在线发表于Nature上，题为“Predicting dynamic cellular protein–RNA interactions by deep learning using in vivo RNA structures”。

译/前瞻经济学人APP资讯组

论文链接：

https://doi.org/10.1038/s41422-021-00476-y