靶标挖掘
用果蝇的必需基因标签和蛋白互作网络训练图神经网络,给二化螟 11,366 个基因打分,在有互作的 8,385 个里列出前 100 个候选。同时给出它的水平:跨物种 AUROC 0.684,选型可能偏乐观,见下。
进入靶标挖掘 →找到害虫离不开的基因,挑出总体脱靶更少的 dsRNA 候选。
每一步都标明:哪些算过了,哪些还没有验证;候选未经生测。
传统农药找靶标靠筛选,核酸农药靠序列:能打什么由基因决定,伤不伤别的物种由序列决定。平台把这两件事连在一起。
用果蝇的必需基因标签和蛋白互作网络训练图神经网络,给二化螟 11,366 个基因打分,在有互作的 8,385 个里列出前 100 个候选。同时给出它的水平:跨物种 AUROC 0.684,选型可能偏乐观,见下。
进入靶标挖掘 →在 2,507 nt 的基因上滑动窗口,三个目标一起看:脱靶罚分低、脱靶 siRNA 少、合格的 19 nt 位点比例高。给出帕累托前沿,而不是只报一个“最优”。示例基因是马铃薯甲虫 vATPase A,用来演示流程,与二化螟不是同一物种。
进入 dsRNA 设计 →把整次运行中 Top 候选的罚分按物种拆开:人占 56.7%,马铃薯 17.7%,蜜蜂 11.9%。看清风险主要从哪来;份额是整次运行口径,不随单个窗口变化。
查看证据与边界 →指标为 AUROC,完整测试集 2,158 个基因,较随机森林 +0.064(95% 置信区间 0.040–0.088,校正后 p = 0.0004)。AUPRC 增量弱得多:+0.034(0.007–0.064,p = 0.032)。注意:该方案是 15 个模型变体中赤拟谷盗成绩最高的一个,选型可能参考过这份测试集(待作者确认),0.684 可能偏乐观,p 值也未计多变体的多重性。
换一个物种、换一个靶标,需要对应的基因组与转录组。技术咨询、技术支持服务和平台购买请联系 2396081899@qq.com(邮箱) 19238427076(微信)