编辑推荐：
为解决哺乳动物 piRNA 靶向规则不明确、数据不足的问题，研究人员开展基于深度学习和迁移学习预测 piRNA 靶标的研究。结果显示，模型预测独立测试数据集准确率达 98.5%，还预测了小鼠和人类 piRNA 的靶标，这对深入了解 piRNA 功能意义重大。
在生命科学的微观世界里，有一种神秘的小分子 ——Piwi 相互作用 RNA（piRNA）。它最初被发现于生殖细胞中，像忠诚的卫士一样，守护着基因组免受转座子的侵扰。随着研究的深入，科学家们惊讶地发现，piRNA 的 “职责” 远不止于此，它还在 mRNA 转录水平的调控中扮演着重要角色，与轴突再生、胚胎发育、记忆形成、觅食行为以及多种人类疾病都有着千丝万缕的联系。
然而，piRNA 的靶向规则却如同迷雾一般，尤其是在哺乳动物中，这一问题更为突出。与微小 RNA（miRNA）相比，piRNA 的靶向规则更加复杂难懂。在秀丽隐杆线虫中，虽然已经明确了一些靶向规则，但这些规则在进化上差异较大的物种中并不适用。在哺乳动物中，尽管有一些研究尝试揭示 piRNA 的靶向规则，但结论各不相同，这使得 piRNA 的靶向机制更加扑朔迷离。这种不确定性严重阻碍了科学家们对 piRNA 功能的深入探究，就像在黑暗中摸索前行，找不到清晰的方向。
为了驱散这片迷雾，来自五邑大学、汕头大学、暨南大学以及澳门大学的研究人员携手合作，开展了一项极具挑战性的研究。他们的目标是开发一种能够准确预测哺乳动物 piRNA 靶标的模型，为揭开 piRNA 的神秘面纱提供有力工具。最终，他们成功构建了基于深度学习的模型，并利用迁移学习策略，有效克服了数据不足的难题。这一成果发表在《BMC Bioinformatics》上，为 piRNA 研究领域注入了新的活力。
在研究过程中，研究人员运用了多种关键技术方法。他们首先收集了多种实验产生的相关数据，如 CLASH-seq、CLIP-seq 和 5′-RACE 测序数据等，以此构建训练数据集。由于小鼠训练数据集中缺乏负样本数据，研究人员通过分析秀丽隐杆线虫数据中正负样本的错配频率特征，模拟生成了小鼠的负样本数据集。接着，他们使用 Pytorch 框架构建了包含卷积神经网络（CNN）和分层注意力层的深度学习模型。为了提高模型性能，还采用了预训练和微调的迁移学习策略，先在秀丽隐杆线虫数据上进行预训练，再用小鼠数据进行微调。
下面让我们来看看具体的研究结果。
- 深度学习模型的性能：研究人员将构建的深度学习模型与多种已有的预测方法进行对比。结果发现，经过微调后的模型在预测能力上表现卓越，其平均曲线下面积（AUC）达到了 0.957，显著优于预训练模型以及其他传统方法。这表明该模型能够更准确地预测 piRNA 的靶标。此外，通过对模型注意力机制的分析发现，它能够很好地模拟 piRNA 与 mRNA 之间的碱基对相互作用，捕捉到长片段连续互补配对以及 3′端匹配对 5′端错配的容忍等关键模式。
- 胃癌细胞中的 piRNA：研究人员对人类胃癌细胞系 SNU-1 进行研究。已知人类 PIWI 蛋白 HIWI 在 SNU-1 细胞中显著过表达，且与胃癌的发生发展密切相关。通过分析野生型和 HIWI 敲除的 SNU-1 细胞的小 RNA 测序、RNA 测序和 HIWI-RIP 测序数据，利用构建的模型预测出 1873 个 piRNA 的 426 个 mRNA 靶标。基因富集分析显示，这些靶标主要富集在核小体组装相关通路。进一步研究发现，piRNA 引导的切割相关降解模式在许多靶向 mRNA 中存在，这表明 piRNA 可能通过调控核小体组装相关的 mRNA，参与胃癌的发生发展过程。
综合研究结论和讨论部分，这项研究意义重大。研究人员开发的深度学习模型有效解决了哺乳动物 piRNA 靶标预测的难题，为深入研究 piRNA 的功能提供了强大的工具。通过对胃癌细胞中 piRNA 的研究，揭示了 piRNA 在胃癌发生发展过程中可能参与核小体组装相关的调控机制，为进一步探索胃癌的发病机制和寻找潜在的治疗靶点提供了新的方向。尽管目前研究还受到哺乳动物 piRNA - mRNA 相互作用高质量数据集稀缺的限制，但这一成果无疑是 piRNA 研究领域的重要突破，为后续研究奠定了坚实的基础，有望在未来推动生命科学和健康医学领域的进一步发展。
