美国索尔克研究所开发出一种名为ShortStop的机器学习框架，用于探索以往“被忽视的DNA区域”，寻找在疾病中发挥关键作用的微蛋白。相关研究发表在最新一期《BMC方法学》上。

研究人员与运行中的ShortStop。图片来源：美国索尔克研究所

这些微蛋白是蛋白质家族中的小型成员，其组成氨基酸通常少于150个，因此难以通过传统蛋白质分析方法检测。长期以来，它们隐藏在基因组中被视为“非编码”或“垃圾DNA”的99%区域中，从未被充分研究。然而，越来越多证据表明，这些区域并非无用，其所编码的微蛋白在调节健康与疾病过程中扮演重要角色。

传统研究方法主要关注编码大型蛋白质的DNA区域，而忽略了可能包含微蛋白编码指令的小开放阅读框（smORF）。尽管已有实验方法识别出了数千个smORF，但这些方法成本高、耗时长，且无法有效区分具有生物学功能的微蛋白与无功能的序列，严重限制了相关研究的进展。

ShortStop的出现改变了这一局面。该AI工具通过机器学习训练，不仅能够从大型基因数据库中识别出潜在的smORF，还能预测哪些微蛋白最有可能具备生物学相关性，从而显著提高研究效率。其核心创新在于采用双类别排序系统：通过将真实发现的smORF与计算机生成的随机“诱饵”序列进行比较，ShortStop能够快速评估新发现的smORF是否可能具有功能性，从而优先筛选出值得深入研究的候选者。

团队将ShortStop应用于已发布的smORF数据集后，发现约8%的序列可能编码功能性微蛋白，并已将其列为优先验证目标。该工具还能识别出以往方法遗漏的微蛋白，包括在人体细胞和组织中实际表达的种类。尤为重要的是，它可直接利用广泛存在的RNA测序数据，这意味着许多实验室无需额外实验即可开展微蛋白研究。

在一项应用实例中，团队使用ShortStop分析了肺癌相关的遗传数据，从肿瘤与正常肺组织的对比中识别出210种全新的微蛋白候选者。其中一种微蛋白在肿瘤组织中显著升高，显示出作为肺癌生物标志物或治疗靶点的巨大潜力，验证了该工具在疾病研究中的实用性。