《Nature Communications》发表了名为 CPRISP 的可解释深度学习框架，专门用来预测环状 RNA 与 RNA 结合蛋白（RBP）之间的相互作用，还能辅助筛选神经退行性疾病候选治疗靶点，解决传统黑盒 AI 模型只能给预测结果、没法解释分子结合机制的痛点，在 37 组基准数据集上都有不错的泛化能力，适配不同细胞系的测序数据。传统的环状 RNA 和 RBP 互作研究大多依赖 RNA 免疫沉淀这类湿实验，成本高、通量低、筛选周期很长，普通深度学习模型就算预测出结合位点，也没法说明是哪段序列、二级结构、理化属性驱动结合，生物学家很难直接拿去做机制验证。这个 CPRISP 框架同时把环状 RNA 序列组成、理化特征、二级结构、预训练表征、蛋白特征一起放进模型，搭配可解释模块定位关键结合基序，找到和阿尔茨海默病、渐冻症、帕金森这类神经退行病相关的 circRNA-RBP 调控对，给后续药物靶点、RNA 疗法开发提供候选方向。这套工具不是直接产出可用药物，而是缩小湿实验筛选范围，优先锁定高潜力互作位点，研究者拿到预测结果之后，依然需要细胞、动物实验来验证功能与治疗效果，适合非编码 RNA、神经疾病方向的课题组做前期高通量挖掘。
CPRISP 框架核心信息清单
- 论文期刊：Nature Communications（Nat. Commun.）
- 模型名称：CPRISP
- 核心功能：预测 circRNA-RBP 相互作用、识别结合位点、可解释归因、辅助神经退行疾病治疗靶点发现
- 输入特征：circRNA 序列、理化性质、RNA 二级结构、预训练表征、RBP 蛋白特征
- 验证数据集：37 套 circRNA-RBP 基准数据集，跨细胞系泛化测试
- 模型亮点：具备可解释模块，输出关键结合基序，区别于黑盒深度学习
- 面向疾病：阿尔茨海默病、帕金森病、肌萎缩侧索硬化（渐冻症）等神经退行性疾病
- 定位：计算预筛选工具，不能替代体内外功能验证实验
旧方法与 CPRISP 框架对比
| 项目 | 传统湿实验 RIP 等检测 | 普通黑盒深度学习模型 | CPRISP 可解释深度学习框架 |
|---|---|---|---|
| 通量 | 低，一次只能少量样本 | 高通量批量预测 | 高通量批量预测 |
| 成本 | 试剂、测序成本高，周期久 | 计算成本低，筛选快 | 计算成本低，筛选快 |
| 机制解释 | 可以直接得到真实互作证据 | 仅输出预测分数，无法说明结合原因 | 定位关键序列基序、结构特征，给出解释依据 |
| 下游价值 | 直接作为验证证据 | 只能粗略排序候选，难以指导实验设计 | 优先锁定高可信度靶点，指导后续湿实验验证 |
| 局限 | 耗时耗力，不适合大规模初筛 | 容易出现假阳性，生物解读困难 | 预测结果必须湿实验验证，不能直接认定功能 |
使用该框架开展靶点挖掘步骤
- 收集目标 circRNA、RBP 的序列、理化结构数据，整理成框架支持的输入格式；
- 运行 CPRISP，得到 circRNA-RBP 互作打分、结合位点位置、模型归因解释；
- 根据预测分数和可解释权重，筛选和神经退行疾病通路相关的候选互作对；
- 结合公共疾病表达数据库，筛选在病变脑组织中差异表达的分子组合；
- 设计 RIP、RNA pull-down、细胞模型等湿实验，验证预测的相互作用与疾病功能；
- 对验证阳性靶点，进一步评估作为 RNA 疗法、药物靶点的潜力。
【相关 FAQ】
问题 1：Nat. Commun. 发表的可解释深度学习框架用于预测环状 RNA–RBP 相互作用及神经退行性疾病治疗发现，CPRISP 和之前的 circRNA-RBP 预测模型最大差别在哪？
回答 1：Nat. Commun. 发表的可解释深度学习框架用于预测环状 RNA–RBP 相互作用及神经退行性疾病治疗发现，CPRISP 自带可解释模块，能定位驱动结合的 RNA 基序与结构特征，而多数旧模型属于黑盒，只输出预测结果，很难解释分子机制。
问题 2：Nat. Commun. 发表的可解释深度学习框架用于预测环状 RNA–RBP 相互作用及神经退行性疾病治疗发现，框架预测出来的互作关系是不是就代表真实存在？
回答 2：Nat. Commun. 发表的可解释深度学习框架用于预测环状 RNA–RBP 相互作用及神经退行性疾病治疗发现，它是计算筛选工具，预测结果存在假阳性，必须通过 RIP、细胞实验等湿实验才能证实真实互作与疾病功能。
问题 3：Nat. Commun. 发表的可解释深度学习框架用于预测环状 RNA–RBP 相互作用及神经退行性疾病治疗发现，这套框架可以直接开发神经退行病药物吗？
回答 3：Nat. Commun. 发表的可解释深度学习框架用于预测环状 RNA–RBP 相互作用及神经退行性疾病治疗发现，它只用来高通量挖掘候选靶点，不直接产出药物，靶点确认后还要经过漫长的功能验证、动物实验与临床开发。
问题 4：Nat. Commun. 发表的可解释深度学习框架用于预测环状 RNA–RBP 相互作用及神经退行性疾病治疗发现，这个框架适合哪些疾病方向？
回答 4：Nat. Commun. 发表的可解释深度学习框架用于预测环状 RNA–RBP 相互作用及神经退行性疾病治疗发现，论文重点面向阿尔茨海默病、帕金森病、肌萎缩侧索硬化这类神经退行性疾病，也可以拓展到其他 circRNA 相关疾病研究。
【参考资料】
[2026-10-28]（CPRISP: an interpretable deep learning framework predicting circRNA-RBP interactions and guiding therapeutic discovery in neurodegeneration）Nature Communications
[2026-10-28]（Nat Commun：可解释深度学习框架 CPRISP 助力 circRNA-RBP 互作预测与神经退行疾病靶点挖掘）生物通
[2026-10-29]（环状 RNA 与 RBP 互作预测新模型，兼顾预测性能与可解释性）MedSci
[2026-08-12]（circRNA 与 RNA 结合蛋白互作计算预测方法综述）Briefings in Bioinformatics
【免责声明】
本文资讯仅为这篇 Nat. Commun. 论文成果科普，该可解释深度学习框架属于生物信息学计算工具，预测结果不具备临床诊断、治疗依据；靶点发现距离临床用药还有大量验证环节，不构成生物医药研发、投资参考。
本文来自作者[幽棱信标]投稿，不代表乌兰科技网立场，如若转载，请注明出处：https://www.wlcbnews.com/rgzn/202611/1311.html
评论列表（4条）
我是乌兰科技网的签约作者“幽棱信标”！
希望本篇文章《Nat. Commun. 上新可解释深度学习框架，用于预测环状 RNA–RBP 互作、挖掘神经退行性疾病治疗靶点》能对你有所帮助！
本站[乌兰科技网]内容主要涵盖：互联网行业的追踪与探索
本文概览：《Nature Communications》发表了名为 CPRISP 的可解释深度学习框架，专门用来预测环状 RNA 与 RNA 结合蛋白（RBP）之间的相互作用，还能辅助筛选神经退行性疾病候选治疗靶点，解决传统黑盒 AI 模型只能给预测结果、没法解释分子结合机制的痛点，在 37 组基准数据集上都有不错的泛化能力，适配不同细胞系的测序数据。传统的环状 RNA 和 RBP 互作研究大多依赖 RNA 免疫沉淀这类湿实验，成本高、通量低、筛选周期很长，普通深度学习模型就算预测出结合位点，也没法说明是哪段序列、二级结构、理化属性驱动结合，生物学家很难直接拿去做机制验证。这个 CPRISP 框架同时把环状 RNA 序列组成、理化特征、二级结构、预训练表征、蛋白特征一起放进模型，搭配可解释模块定位关键结合基序，找到和阿尔茨海默病、渐冻症、帕金森这类神经退行病相关的 circRNA-RBP 调控对，给后续药物靶点、RNA 疗法开发提供候选方向。这套工具不是直接产出可用药物，而是缩小湿实验筛选范围，优先锁定高潜力互作位点，研究者拿到预测结果之后，依然需要细胞、动物实验来验证功能与治疗效果，适合非编码 RNA、神经疾病方向的课题组做前期高通量挖掘。