近日，Genomebiology雜志發(fā)表了題為：iPro-MP: a BERT-based model for the prediction of multiple prokaryotic promoters的研究，本研究構(gòu)建了覆蓋23種原核生物的多物種啟動子序列綜合數(shù)據(jù)集，并在統(tǒng)一的數(shù)據(jù)清洗與評價協(xié)議下，基于DNABERT的序列表示，實現(xiàn)了多物種啟動子序列的高精度預(yù)測。通過 五折交叉驗證與獨立測試，結(jié)果表明 iPro-MP具有良好的穩(wěn)健性與泛化能力；同時模型在 ? 10/ ? 35（細(xì)菌）與近 ? 26 位點（古菌）呈現(xiàn)清晰的注意力聚焦，具備一定可解釋性與計算效率。為解析原核生物基因表達(dá)調(diào)控機制提供了高精度、可擴展的計算工具，可用于非模式生物啟動子識別、跨物種比較分析與合成生物學(xué)元件挖掘，并為后續(xù)的啟動子設(shè)計與功能預(yù)測奠定方法學(xué)基礎(chǔ)。

啟動子（ promoter ）是決定轉(zhuǎn)錄起始的關(guān)鍵順式調(diào)控元件，通常位于轉(zhuǎn)錄起始位點（ TSS ）上游，可通過特定的保守基序（如 -10 區(qū)）招募并定位 RNA 聚合酶及相關(guān)因子，從而影響基因表達(dá)的時空與強度。對啟動子的準(zhǔn)確識別不僅是解析原核轉(zhuǎn)錄調(diào)控網(wǎng)絡(luò)的前提，也是構(gòu)建設(shè)計可編程表達(dá)系統(tǒng)與改造代謝通路的基礎(chǔ)。實驗手段（如 dRNA-seq 、 Cappable-seq 、 5’RACE ）可提供高分辨率標(biāo)注，但成本高、流程繁瑣、在非模式生物上難以規(guī)?；?；同時，新測序基因組數(shù)量快速增長，迫切需要借助計算方法進(jìn)行高通量、低成本、跨物種的一致性判定，以支撐功能注釋、調(diào)控網(wǎng)絡(luò)重建與下游合成設(shè)計。然而，現(xiàn)有工具多以單一或少數(shù)模式物種為主，跨物種泛化有限；負(fù)樣本構(gòu)建與數(shù)據(jù)清洗不一致，導(dǎo)致不同研究間難以可比；特征工程或淺層模型難以同時捕捉局部 motif 與長程依賴，深度模型雖有提升但常受限于樣本規(guī)模不均、類別不平衡與可解釋性不足。

為應(yīng)對上述挑戰(zhàn)，本研究（ 1 ）構(gòu)建覆蓋 23 種代表性原核生物的多物種啟動子綜合數(shù)據(jù)集與統(tǒng)一評價協(xié)議；（ 2 ）提出基于 DNABERT 的多物種啟動子預(yù)測框架 iPro-MP ，結(jié)合 6-mer 分詞與輕量分類頭，實現(xiàn)對局部保守基序與長程依賴的協(xié)同建模； （ 3 ）在五折交叉驗證與獨立測試上系統(tǒng)評估并與主流基線 / 工具對比，驗證其準(zhǔn)確性、穩(wěn)健性與資源效率；（ 4 ）通過注意力熱圖與嵌入可視化解析判別依據(jù)與譜系差異，提升模型可解釋性與生物學(xué)可用性。最終，我們期望為原核基因表達(dá)調(diào)控研究提供標(biāo)準(zhǔn)化數(shù)據(jù)基線與可擴展的高性能工具，并為非模式生物場景與合成生物學(xué)的啟動子設(shè)計奠定方法學(xué)基礎(chǔ)。

本研究開發(fā)了基于大語言模型的多物種啟動子預(yù)測工具 iPro-MP ，在 23 個原核物種的系統(tǒng)評測中，五折交叉驗證階段取得平均 Acc （ 0.88 ）、 AUC （ 0.93 ）、 AUPRC （ 0.89 ）、 MCC （ 0.73 ）、 F1 （ 0.82 ），且 17 個物種的 AUC 超過 0.90 ；在獨立測試集中， 18 個物種 AUC>0.90 ，總體與交叉驗證保持一致甚至部分提升，體現(xiàn)出良好的外部泛化；在類別不均衡的物種上， MCC 與 AUPRC 指標(biāo)持續(xù)高位，更能反映真實判別力，進(jìn)一步驗證了 iPro-MP 的穩(wěn)健性與實際可用性。

iPro-MP 的可解釋性主要體現(xiàn)在 “ 學(xué)到了什么 ” 與 “ 為何判定 ” 為正樣本兩個層面：一方面，序列嵌入的 t-SNE 可視化顯示，啟動子與非啟動子在表示空間中清晰分離，同一譜系物種的啟動子樣本呈現(xiàn)簇狀聚集、親緣近者簇間更接近，并可與 motif 對齊分析相互印證；另一方面，注意力熱圖在細(xì)菌樣本中對 ?10 區(qū)域及 TSS 附近顯著聚焦，在古菌樣本中則于近 ?26 的 TATA-like 位點形成主峰，表明模型能同時捕捉局部保守基序與上下文依賴。由此可見， iPro-MP 不僅給出高分判別，還能將判別依據(jù)回溯到可生物學(xué)解釋的序列元素與譜系差異，體現(xiàn)出對 “ 調(diào)控語法 ” 的可視化與可驗證理解。

iPro-MP 相較傳統(tǒng)機器學(xué)習(xí)基線模型（如 LR 、 RF 、 XGBoost 、 LSTM ）在 Acc 、 AUC 等核心指標(biāo)上整體領(lǐng)先；同時，與現(xiàn)有工具相比， iPro-MP 在 21/23 個物種中保持前列，體現(xiàn)出更強的穩(wěn)健性與泛化能力；在實用性方面，推理更快、顯存占用更低并提供可解釋的注意力模式，使其在準(zhǔn)確性、效率與可解釋性之間取得更均衡的綜合表現(xiàn)。

原文鏈接：https://doi.org/10.1186/s13059-025-03819-9

制版人：十一

BioArt

Med

Plants

人才招聘

學(xué)術(shù)合作組織

（*排名不分先后）

戰(zhàn)略合作伙伴

（*排名不分先后）

轉(zhuǎn)載須知

【非原創(chuàng)文章】本文著作權(quán)歸文章作者所有，歡迎個人轉(zhuǎn)發(fā)分享，未經(jīng)作者的允許禁止轉(zhuǎn)載，作者擁有所有法定權(quán)利，違者必究。