面向长短程依赖发现的全基因组lncRNA结合位点预测深度学习框架

田雨欣; 张立木; 杨亦轩; 郭昊

doi:10.13417/j.gab.045.000887

基因组学与应用生物学 ›› 2026, Vol. 45 ›› Issue (4) : 887 -901. DOI: 10.13417/j.gab.045.000887

面向长短程依赖发现的全基因组lncRNA结合位点预测深度学习框架

田雨欣, 张立木, 杨亦轩, 郭昊

作者信息 +

Author information +

文章历史 +

摘要

长链非编码RNA(long non-coding RNA, lncRNA)能够与DNA相互作用,作为关键的调控元件,在癌症和代谢紊乱等复杂疾病的发生发展中起着核心作用。尽管基于深度学习的计算方法已开始应用于全基因组lnc RNA-DNA结合位点的表征,但现有模型难以同时捕获长程与短程染色质依赖关系,这仍是当前领域的瓶颈。本研究构建了一个深度学习框架Binder,可以通过整合卷积神经网络(convolutional neural networks, CNN)与多头注意力机制,准确预测全基因组范围内的lnc RNADNA结合位点。Binder的性能已在Ch IRP-seq数据集上得到了验证,其平均受试者工作特征曲线下面积(area under the receiver operating characteristic curve, AUC)达到0.870,优于CNN＿deeper等现有最先进的模型。此外, Binder自主捕捉到了与已知转录因子结合位点(如TAL1::TCF3)一致的调控基序。本研究突破了以往方法在建模全局序列上下文方面的局限,并提供了一个用户友好的Web应用工具,以便于研究lnc RNA调控机制,为辅助疾病治疗和药物研发打下基础。