Новый инструмент для идентификации длинных некодирующих РНК у растений

Длинные некодирующие РНК (lncRNA) — это повсеместно распространенные транскрипты, играющие ключевую регуляторную роль в различных биологических процессах, включая ремоделирование хроматина, посттранскрипционную регуляцию и эпигенетические модификации. Однако их точная идентификация остается сложной задачей из-за отсутствия специфичных для растений методов.

Основные современные методы идентификации растительных lncRNA в значительной степени разработаны на основе наборов данных человека или животных. Следовательно, точность и эффективность этих методов в предсказании растительных lncRNA не была полностью оценена.

Недавно в журнале Horticulture Research была опубликована статья "Plant-LncPipe: a computational pipeline providing significant improvement in plant lncRNA identification" группы исследователей под руководством Цзянь-Фэна Мао из Пекинского лесного университета и Университета Умео.

В этом исследовании были собраны высококачественные данные РНК-секвенирования различных растений. Эти специфичные для растений данные использовали для переобучения моделей трех основных инструментов предсказания lncRNA: CPAT, LncFinder и PLEK. Производительность переобученных моделей сравнили и оценили по сравнению с другими популярными инструментами, такими как CPC2, CNCI, RNAplonc и LncADeep.

Результаты показали, что переобученные модели значительно улучшили производительность предсказания для растительных lncRNA. Среди них две переобученные модели, LncFinder-plant и CPAT-plant, превзошли другие по нескольким оценочным метрикам, что делает их наиболее подходящими инструментами для идентификации растительных lncRNA.

На основе этого исследования был разработан вычислительный конвейер Plant-LncPipe для идентификации и анализа растительных lncRNA.

Этот конвейер интегрирует две лучшие модели идентификации, CPAT-plant и LncFinder-plant, и обеспечивает комплексный вычислительный процесс, включающий предобработку исходных данных, сборку транскриптов, идентификацию lncRNA, их классификацию и определение происхождения. Конвейер может быть широко применен к различным видам растений. Plant-LncPipe находится в открытом доступе.

Исследование демонстрирует, что переобучение моделей предсказания lncRNA на высококачественных данных растительной транскриптомики позволяет более точно улавливать особенности растительных lncRNA, значительно повышая точность и надежность предсказаний. Подчеркивается важность видовоспецифичного переобучения для повышения точности моделей. Переобучение существующих зрелых моделей сохраняет накопленный ранее опыт и методологии, одновременно повышая их применимость и точность.