# DeepRNAi 模型

Deep Genomics 把虚拟细胞模型通常要预测的整条扰动响应当作噪声先扣掉，只保留 siRNA 与转录本之间的直接效应来训练序列模型 DeepRNAi。直接效应只占全部 siRNA–RNA 相互作用的约 1%，此前这类信号在未校准的虚拟细胞目标里被当成舍入误差。在留出转录本的划分下，DeepRNAi 的表现与已见转录本相比没有实质差别，而不聚焦直接效应的传统机器学习方法在同样划分上相对基线的增益下降约 50%。

Deep Genomics 把虚拟细胞模型通常要预测的整条扰动响应当作噪声先扣掉，只保留 siRNA 与转录本之间的直接效应来训练序列模型 DeepRNAi。直接效应只占全部 siRNA–RNA 相互作用的约 1%，此前这类信号在未校准的虚拟细胞目标里被当成舍入误差。在留出转录本的划分下，DeepRNAi 的表现与已见转录本相比没有实质差别，而不聚焦直接效应的传统机器学习方法在同样划分上相对基线的增益下降约 50%。

Deep Genomics 的 DeepRNAi 把 siRNA 局部杂交位点与转录本所在基因组区域的长程上下文放进同一个预测模型，后者由 BigRNA、Enigma、REPRESS 等生物基础模型提供，覆盖多达一百万碱基对的序列。在种子介导的敲低预测上，不含基础模型的 DeepRNAi 总体表现与带人工转录本特征的传统随机森林相当；接入基础模型后性能接近翻倍。两个药物发现案例中，模型对远端 3′ UTR 位点给出接近零的活性预测，与 Alnylam 公开的 PLG 实验数据一致。

Deep Genomics 的 DeepRNAi 把 siRNA 局部杂交位点与转录本所在基因组区域的长程上下文放进同一个预测模型，后者由 BigRNA、Enigma、REPRESS 等生物基础模型提供，覆盖多达一百万碱基对的序列。在种子介导的敲低预测上，不含基础模型的 DeepRNAi 总体表现与带人工转录本特征的传统随机森林相当；接入基础模型后性能接近翻倍。两个药物发现案例中，模型对远端 3′ UTR 位点给出接近零的活性预测，与 Alnylam 公开的 PLG 实验数据一致。