為了讓基因中包含的指令最終在體內發揮某些功能，構成基因DNA序列的核苷酸或者說堿基必須被讀取並用於產生信使RNA(mRNA)。所產生的mRNA隨後必須翻譯成功能性的蛋白。細胞內的許多不同途徑會影響這一重要的生物學過程，決定著基因是否、何時以及在多大的程度上表達。一類主要的調節因子是microRNA(miRNA)。這些微小的RNA平均長22個核苷酸，與稱為Argonaute的蛋白結合在一起後可導致某些mRNA降解，從而減少了將這些mRNA翻譯為功能性蛋白的數量。

        科學家們已經鑒定出數百種在哺乳動物和其他脊椎動物中常見的miRNA，並且大多數哺乳動物mRNA至少受到一種miRNA的靶向攻擊---這表明了它們對我們的生物學特性的普遍重要性。準確預測任何特定的miRNA將如何影響細胞中的基因表達對於理解我們自己的生物學特性很重要，並且可能有助於設計影響或利用miRNA的治療藥物，但是miRNA途徑的複雜性使這種預測變得困難。

        miRNA能夠抑製特定基因(通過降解它靶向的mRNA)的成功率稱為它的靶向功效(targeting efficacy)，人們已使用多種模型來計算靶向功效，結果卻不盡相同。過去，人們將miRNA視為一個整體，研究它們的平均行為以進行預測，這是因為針對單個miRNA而言，沒有足夠的數據進行預測。

        如今，在一項新的研究中，在美國懷特黑德生物醫學研究所生物學教授David Bartel、研究生Sean McGeary和前研究生Kathy Lin的領導下，研究人員收集了關於6種miRNA的大量數據，並在此基礎上開發出一種針對所有單個miRNA的改進型預測模型。他們的發現為miRNA靶標預測提供了前所未有的準確性和粒度。相關研究結果近期發表在Science期刊上，論文標題為“The biochemical basis of microRNA targeting efficacy”。

        Bartel說，“我們過去一直將注意力集中在具有一致性的microRNA靶向模式上，這是因為這種一致性使得我們對觀察到的結果充滿信心，但是憑借這項研究的可靠結果，我們如今可以關注不同miRNA之間的差異。”

        Bartel和及其團隊運營著一種用於預測miRNA靶標和靶向功效的必備資源之一，即TargetScan。這項最新的研究將被用於更新TargetScan，從而為全世界的科學家提供更有用的參考工具，用於開展涉及miRNA介導的基因表達調控的研究。

        為了了解miRNA的靶向作用，人們需要在miRNA序列中鑒定出可與miRNA結合的特定位點，並且他們還需要了解每個位點上的相互作用強度—結合親和力(binding affinity)。通常，當miRNA的前八個核苷酸中的至少六個與mRNA某位置上的互補核苷酸序列匹配時，miRNA將與mRNA結合。這兩個序列就像成排的被推到一起的拚圖塊：如果每個拚圖塊都插入到相應的拚圖塊中，那麼這些成排的拚圖塊就組合成一個鎖定的拚圖---miRNA就可結合它的靶標。如果這些拚圖塊不能拚在一起，這些成排的拚圖塊就不能連接在一起。這些結合位點與miRNA的前8個核苷酸完全匹配，被稱為典型位點(canonical site)，人們過去認為它們之間存在明顯的層次關係，無論miRNA的身份如何，每種位點都會產生相似的抑製量。然而，McGeary並未觀察到這種情形。

        McGeary研究了六種miRNA，並開發了一種方法來測量每種miRNA與大量RNA序列的相對結合親和力。這些測量以及McGeary從中進行的進一步計算形成了一個新的豐富的數據庫，可用來改善miRNA靶向預測。通過這些實驗，這些研究人員發現經典位點的預期靶向層次結構並不適用於所有miRNA。實際上，單個miRNA對這種預期層次結構中較低的一個經典位點有更強的親和力。此外，他們發現每個miRNA都有獨特的非經典結合位點，其中的一些位點含有至少一個堿基錯配但仍能夠結合miRNA。他們發現，在許多情況下，盡管非經典位點的配對不完美或異常，但是miRNA與一個非經典位點的結合要比與某些經典位點的結合更牢固。 Lin說：“作為人類，我們喜歡按照不同的特征將事物進行分類。但是要建立一種定量模型，你必須認識到每種miRNA與靶標之間的相互作用是不同的。”

        靶位點環境中的一些因素有助於確保miRNA與靶標之間的相互作用的個性化，這是因為它們會影響位點在結合時的結構可訪問性(structural accessibility)。特別地，這些研究人員發現最接近靶位點的四個核苷酸可能對親和力產生巨大的甚至是100倍的綜合影響。

        利用這些高分辨率數據，這些研究人員能夠嚴格驗證miRNA研究界中的一種假設：miRNA與mRNA靶位點結合的強度是miRNA降解這種mRNA的效果的主要決定因素。位點親和力和靶向功效之間的這種驚人關聯也使得他們能夠創建miRNA靶向作用的生化模型，該模型使用大量的親和力測量值來預測抑製細胞中每種mRNA的功效，這顯著地優於現有的所有miRNA靶向作用模型。他們隨後使用了由Lin開發的稱為卷積神經網絡(convolutional neural network)的機器學習，將這些改進後的預測擴展到所有miRNA，而無需產生額外的數據。

        總而言之，這些發現為miRNA介導的基因抑製描繪了一幅更豐富的圖景。miRNA靶向預測中的這種新的特異性水平將為研究該課題的科學家們更好地提供關於特定miRNA在細胞中的作用的信息。