Reformer: Deep learning model for characterizing protein-RNA interactions from sequence at single-base resolution

Reformer: Deep learning model for characterizing protein-RNA interactions from sequence at single-base resolution

• 論文タイプ：原著論文

• 掲載誌：bioRxiv preprint

• 本研究の背景と関連研究：RNA結合タンパク質（RBP）は、転写、翻訳、細胞内RNAの代謝の調節において重要な役割を果たしています。本研究では、RNAの配列情報だけからタンパク質とRNAの結合親和性を予測する深層学習モデルであるReformerを開発しました。これまでの研究では、RNAの配列情報からタンパク質との結合親和性を予測するための深層学習モデルがいくつか提案されてきましたが、Reformerは特に単一塩基の分解能で高い予測精度を達成しました。また、ReformerはeCLIP-seq実験では発見できないタンパク質結合モチーフを学習することも示しました。

• 本研究の目的とその重要性：本研究の目的は、RNAの配列情報からタンパク質との結合親和性を予測するための深層学習モデルであるReformerを開発することです。このモデルは、RNA処理の調節メカニズムを解釈するための手法として役立ちます。RNA結合タンパク質とRNAの結合は、遺伝子発現やタンパク質生成などの重要な細胞プロセスにおいて不可欠な役割を果たしており、これらのプロセスの異常は自己免疫疾患、神経病、がんなどの人間の遺伝性疾患と関連しています。したがって、RNA配列からタンパク質との結合を特徴付けることは、RBP結合のメカニズムやRNAの異常と疾患の関係をより良く理解するための有望な手法です。

• 本研究で用いた材料やデータの詳細：本研究では、3つの細胞株から得られた155種類のRNA結合タンパク質（RBP）のターゲットを用いて、Reformerを開発しました。また、高い影響力を持つRNA調節変異をReformerが予測したことを確認するために、電気泳動移動シフトアッセイを実施しました。

• 本研究で何をどのように、どこまで明らかにした？：本研究では、RNAの配列情報だけからタンパク質との結合親和性を予測する深層学習モデルであるReformerを開発しました。Reformerは、単一塩基の分解能で高い予測精度を達成し、タンパク質と細胞型特異的な結合親和性を推定することができました。また、ReformerはeCLIP-seq実験では発見できないタンパク質結合モチーフを学習することも示しました。

• 本研究の有効性はどのように検証した？：本研究では、Reformerが予測した高い影響力を持つRNA調節変異を確認するために、電気泳動移動シフトアッセイを実施しました。また、Reformerが学習したRNA処理機能に関連するモチーフの特徴を解析し、その有効性を示しました。