【smallRNA云平台专题】诺奖热点加持的“寻靶”利器

【引言：从一个诺奖级热点说起】

2024 年 10 月，诺贝尔生理学或医学奖授予 Victor Ambros 与 Gary Ruvkun，以表彰他们发现 microRNA（miRNA）及其在转录后基因调控中的关键作用。从 1993 年在线虫中发现第一个 miRNA lin-4，到如今人类已知数以千计的 miRNA，这类仅 20 余个核苷酸长的小分子，已被证实参与发育时序、细胞分化、疾病发生等几乎所有重要生命过程，成为动植物基础研究与分子医学领域的“常驻热点”。

不过，对做 smallRNA 测序的老师来说，鉴定出 miRNA、拿到定量与差异表达结果，往往只是故事的上半场。真正让人睡不着觉的问题通常是：这些差异 miRNA，到底调控了谁？

这正是“靶基因预测”要回答的问题。作为 smallRNA 云平台专题的第一篇，本文就带大家完整走一遍云平台的靶基因预测章节——看看我们是如何把“寻靶”这件事，做得既严谨、又好看的。

平台亮点

01 miRNA 如何“锁定”它的靶基因？

miRNA 是一类长约 20~24 nt 的非编码小 RNA。它本身不编码蛋白，却能通过与靶 mRNA 碱基互补配对，在转录后水平“踩刹车”——抑制翻译或直接降解靶 mRNA，从而精细调控基因表达。

有意思的是，动物和植物里的 miRNA，“踩刹车”的方式并不相同：

正因为“动物靠种子区、植物靠全长互补”，两类物种的靶基因预测算法逻辑截然不同。我们的云平台因此采用“动植物分流”的预测策略：不同物种，自动匹配各自最合适的工具组合——这也是靶基因预测章节的第一个设计巧思。

02 靶基因预测章节：三大模块，一站式“寻靶”

在云平台的 smallRNA 分析流程中，靶基因预测章节包含三个层层递进的模块：靶基因预测 → 靶基因筛选 → 靶基因蛋白互作网络分析。下面逐一拆解。

模块一：靶基因预测——多软件联合，拒绝“一家之言”

单一软件预测难免带有算法偏好，多软件交叉验证是提升结果可信度的经典策略。平台按物种自动分流：

• 动物物种

miRanda + RNAhybrid + TargetScan。三款主流软件同时上阵——miRanda 基于序列互补性与结合自由能评分；RNAhybrid 从热力学角度计算 miRNA–mRNA 双链的最小自由能；TargetScan 以种子区匹配和进化保守性见长。三者各擅胜场、互为印证。

结果交付也很“全家桶”：Venn 图直观呈现三款软件的交集与独有预测（图 1）；汇总表中每一行是一个 miRNA–mRNA 关系对，各软件的预测结果以 yes/no 清晰标注（图 2）；各软件预测结合关系的 details 结果表（结合位点、自由能等细节）同样备好，点击即可下载（图 3）。

图1. 动物物种三软件靶基因预测结果 Venn 图（miRanda / RNAhybrid / TargetScan）

图2. 靶基因预测结果汇总表

图3. 各软件预测结合关系 details 结果表，支持一键下载

还有一个“隐藏彩蛋”：如果项目物种在主流数据库中有收录，汇总表还会额外附上 mirWalk、StarBase、miRTarBase 三个数据库的注释列——其中 StarBase 与 miRTarBase 收录了大量经实验验证的靶向关系，相当于给预测结果再加一层“实锤”背书。

• 植物物种

PsRobot + TargetFinder + GSTAr。如果项目物种是植物，平台则启用三款植物专用工具，同样提供 Venn 图（图 4）、结果汇总表（图 5）与 details 结果下载（图 6）——动物植物，一个都不将就。

图4. 植物物种三工具靶基因预测结果 Venn 图（PsRobot / TargetFinder / GSTAr）

图5. 植物靶基因预测结果汇总表

图6. 植物各工具预测结合关系 details 结果表

模块二：靶基因筛选——规则由你定，图形我来画

预测结果到手，怎么定义“靠谱”的靶基因？平台默认规则是：至少被 2 款软件预测命中，才判定为靶基因——在灵敏度与假阳性之间取得平衡。这个规则完全支持自定义：想求全，可选“至少 1 款软件”；想求稳，可选“全部 3 款软件”，随研究目的自由切换。

更让人省心的是可视化。平台支持上传指定的 miRNA–mRNA 关系对，一键绘制三种展示图：

1. 桑基图（图 7）miRNA 与靶基因之间的对应关系如水流般展开，谁连谁、连多少，一眼看清；
2. 网络图-静图（图 8）红色三角代表 miRNA，绿色圆点代表靶基因，靶向关系以边相连，可直接用作文章插图；
3. 网络图-动图（图 9）在云平台的交互页面里，直接用鼠标拖拽节点，摆成心仪的版面再导出——再也不用为调布局反复重跑分析。

图7. miRNA–靶基因关系桑基图

图8. miRNA–靶基因调控网络图（静态版）

图9. miRNA–靶基因调控网络图（动态交互版，节点可拖拽布局）

所有作图数据均提供 network 文件下载，想进 Cytoscape 等工具深加工？无缝衔接。

模块三：靶基因蛋白互作网络分析——从“谁调控谁”到“谁和谁抱团”

锁定靶基因之后，这些基因编码的蛋白之间如何相互作用，往往藏着通路层面的答案。平台默认以上一模块判定的靶基因为输入，调取 STRING 数据库收录的蛋白互作（PPI）关系，并仅保留  score > 0.95 的高置信度互作对进行展示——宁缺毋滥，保证网络可靠（图10）。

图10. 靶基因PPI图

同时，平台还提供节点属性表（图 11）与互作关系表（图 12）。谁是人脉最广的枢纽基因（hub gene），按 degree 排个序就浮出水面，后续机制验证的优先级也就有了方向。

图11. 节点属性表：degree 一排序，枢纽基因自动现身

图12. 互作关系表：每一对互作都附有 STRING  score

03 进阶玩法：联合mRNA转录组，让网络图“讲故事”

如果老师同时在我们这里做了转录组测序分析，故事还能再升级——结合 mRNA 的差异表达结果，挖掘关键的 miRNA–mRNA 调控关系对，绘制“信息量拉满”的网络图：

基础版：负调控关系对网络图

筛选 miRNA 上调 × mRNA 下调（或 miRNA 下调 × mRNA 上调）、且存在靶向预测关系的关系对绘图——这正是 miRNA 负调控的经典逻辑。节点颜色映射差异倍数（log2FC），节点大小映射 degree：谁变化大、谁是枢纽，一图锁定。

进阶版：富集分析驱动的通路网络图

取差异 miRNA 靶基因与差异 mRNA 的交集做富集分析（GO / KEGG），从显著富集的条目/通路中挑选目标基因绘制网络图——图更聚焦，机制故事也讲得更顺。

最终版：表达量相关性互证网络图

在前两者基础上，利用 miRNA 与 mRNA 的表达量做相关性分析，仅保留显著负相关（相关系数为负且 P < 0.05）的关系对入图——从“序列互补预测”到“表达量互证”，证据链完整闭环。

三层筛选层层递进。最终呈现在文章里的网络图，就不再只是“好看”，而是一张经得起审稿人推敲的高可信调控网络。

04 客户案例：那些我们画过的漂亮网络图

说得再多，不如直接上图。以下是我们为合作客户绘制的部分网络图实例——

图13. miRNA–mRNA–通路调控网络图（进阶版实例：从 miRNA 到靶基因再到 TNF 信号通路）

图14. miRNA–mRNA 负调控关系对网络图（基础版实例）

写在最后

以上，还只是 smallRNA 云平台靶基因预测章节的内容。从 miRNA 鉴定、定量、差异表达分析，到今天的靶基因预测，云平台覆盖了 smallRNA 分析的全流程。接下来的专题，我们会继续拆解云平台的其他章节，敬请期待。

如果你手头的 smallRNA 数据正愁“寻靶”无门，或者想让文章里的调控网络图再漂亮一点，欢迎随时联系我们的技术支持团队——把数据交给云平台，把故事留给文章。