环状RNA(circRNAs)长期以来被认为是一类至关重要但相对未被探索的转录本，以其组织和细胞类型特异性表达模式而闻名。然而，尽管单细胞和空间转录组学取得了进步，但circRNA测序效率的固有限制阻碍了circRNA的有效分析。为了解决这一研究中的关键空白，研究人员提出了一种深度学习模型CIRI-deep，用于全面预测各种类型的RNA-seq数据上的circRNA调控。相关研究成果在杂志Advanced Science上发表，题为“CIRI-Deep Enables Single-Cell and Spatial Transcriptomic Analysis of Circular RNAs with Deep Learning”

图源：CIRI-Deep Enables Single-Cell and Spatial Transcriptomic Analysis of Circular

 RNAs with Deep Learning ，DOI: 10.1002/advs.202308115

CIRI-deep代表了circRNA分析的重大飞跃。在包含2500万个高置信度circRNA调控事件的广泛数据集上进行训练，该模型在测试和遗漏数据上都表现出出色的性能，确保了从RNA-seq数据集推断差异事件的无与伦比的准确性。CIRI-deep的多功能性超越了传统的circRNA分析方法。该模型及其改编版本能够进行广泛的circRNA分析，包括集群或区域特异性circRNA检测、后剪接结(BSJ)比率图的可视化以及trans和cis特征重要性的评估。此外，它的适应性涵盖了所有主要类型的RNA-seq数据集，包括单细胞和空间转录组数据，从而为circRNA研究开辟了新的途径。

本研究将CIRI-Deep描述为在高维转录组数据集中研究circRNA的强大工具，使研究人员能够揭示circRNA在不同生物学背景下的调控作用和表达模式。深度学习技术与circRNA分析的结合为促进我们对circRNA生物学及其对健康和疾病的影响的理解更近一步。

声明：本网所有转载文章内容为了宣传行业动态所用，转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。