AI发现RNA聚合酶II暂停的序列规则，修正基因激活的暂停释放模型
核心概要
该研究用LLM引导的可解释决策树DEFT从HCT116细胞的eNET-seq数据中发现暂停位点由暂停位的G、+1位C/T与上游49个碱基的最小G含量共同决定（留出集AUROC 0.92、准确率0.87），并据此在NDRG1和HSP90AA1的5'端插入377 bp无G序列，以方向依赖方式消除启动子近端暂停（PPP），而低氧与热激激活未受损（NDRG1反而超激活）；同时ChIP的5' RNAPII、Ser5P与NELF峰在无NET-seq暂停时仍然存在，CTD缺失则削弱PPP并把暂停峰由约+80位移至约+40，据此提出PPP由G依赖的停滞启动、并由包括CTD系连在内的多因素稳定。
深度剖析
DEFT发现区分暂停与非暂停的核心序列特征：暂停位为G、+1位为C或T，并要求上游49个碱基具有最低G含量；高G分支包含66,897个暂停位点而仅6,680个非暂停位点。 此前NET-seq只知道暂停位点富集于G,T/C二核苷酸，并未找到PPP建立所必需的序列要素，因而无法把PPP当作可消除的变量来检验。 基于HCT116 eNET-seq约95,000个暂停位点与匹配非暂停位点训练，并在48,357个留出样本（24,178暂停/24,179非暂停）上报告AUROC 0.92、准确率0.87。
在NDRG1 +8位与HSP90AA1 +9位插入377 bp无G序列，可方向依赖地消除PPP；而低氧（DMOG、CoCl2）与热激（42 °C 30分钟）激活仍然发生，NDRG1甚至出现mRNA超激活。 首次实现基因特异性的PPP消除，从而可以直接检验“暂停释放驱动激活”的模型，而非依赖间接相关。 HAP1与HCT116中多个独立无G克隆、倒转的C-less对照、RNA-seq确认转录起始于插入序列、针对G-less区比对偏差的合成读长对照，以及NuPoP V2.5核小体定位预测对照。
ChIP检测的5' RNAPII峰以及Ser5P和NELF峰，在eNET-seq暂停被消除后依然存在，说明5'峰并不必然等同于暂停的延伸复合物。 把广泛使用的ChIP 5' RNAPII峰与NET-seq所测暂停区分开；作者提出其中可能包含太短而无法被NET-seq捕获的起始/流产起始复合物。 在同一基因上平行比较eNET-seq、RNAPII ChIP-seq、Ser5P ChIP-seq与NELF ChIP-seq，并在NDRG1与HSP90AA1两处得到一致模式。
缺失CTD（Rpb1 1593-1961，含全部52个七肽重复）在数千个基因上削弱PPP并降低暂停指数，却不减少对G,T/C暂停位点的识别，且使暂停峰由约+80位移至约+40。 为CTD作为启动子系连臂的模型提供直接实验支持，并说明G依赖暂停是PPP的必要而非充分条件。 多西环素诱导的Avitag Rpb1 WT与ΔCTD HEK293 Flp-in细胞eNET-seq，n=4265、p<1.88e-260，并在FOS、ARC、DNAJA1、HSPA1B、LDHA等基因与全基因组元图上展示。
启示与展望
在NDRG1与HSP90AA1这两个含TATA框、聚焦起始的高度调控基因上，无G插入已被验证为一种基因特异的PPP抑制手段，可直接用于在其他基因中检验PPP的功能；DEFT所建立的决策树框架可迁移到其他DNA功能类别的特征发现；以HEK293 CAGE TSS定义的低G基因全基因组分析，把序列规则与自然基因的暂停指数联系起来。主要面向希望用因果实验而非相关性证据来检验转录暂停功能的研究者，以及关注启动子近端调控与序列-功能映射的方法学读者。
G依赖性暂停的分子基础仍未知，也不确定信号来自新生RNA还是非模板DNA链；PPP形成所需G的最小数目与分布、以及在CpG岛启动子和弥散起始启动子中是否同样成立，仍有待检验；除低氧与热激响应基因之外，是否还有其他高调控基因依赖暂停释放，尚无定论；ChIP大峰中非暂停RNAPII复合物的身份（作者推测为体内流产起始复合物）目前难以直接测定。本文为未经同行评审的预印本，部分证据以补充图（S1-S4等）与图注形式呈现，因此单凭文本可核对的细节有限。