CanLncG4数据集：整合G-四链体预测与lncRNA癌症调控网络的创新资源

为解决lncRNA中G-四链体(G4s)在癌症中的系统研究空白，印度理工学院团队整合17,666组实验验证的lncRNA-癌症关联数据，开发CanLncG4数据集。该资源首次将6,408个人类lncRNA的G4形成潜力预测、亚细胞定位及RNA/蛋白相互作用信息系统整合，为探索G4介导的癌症调控机制提供新范式。

　　

在人类基因组中，仅有不到2%的序列编码蛋白质，而超过70%的基因组会转录产生大量非编码RNA(ncRNA)。其中长链非编码RNA(lncRNA)作为"基因组暗物质"的重要代表，已被发现在多种癌症中存在表达失调现象，与肿瘤增殖、转移、代谢重编程等恶性特征密切相关。然而，这些lncRNA究竟通过何种分子机制参与癌症发生发展？近年研究发现，lncRNA中富含鸟嘌呤的序列可形成特殊的G-四链体(G-quadruplexes, G4s)高级结构，这类结构能作为"分子开关"调控lncRNA与蛋白质的相互作用，但科学界一直缺乏系统性研究G4s在癌症相关lncRNA中分布规律及其功能的资源平台。

印度理工学院甘地那加尔分校的Shubham Sharma领衔的研究团队，在《Scientific Data》发表了题为"OPEN A Dataset Curated for the DATA DESCRIPTOR Assessment of G4s in the LncRNAs Dysregulated in Various Human Cancers"的创新数据集。这项工作历时多年，整合了来自Lnc2Cancer 3.0、NPInter v4.0等12个权威数据库的实验数据，结合自主开发的生物信息学分析流程，构建了名为CanLncG4的综合性资源。该数据集不仅涵盖15种癌症类型中6,408个lncRNA的17,666条实验验证关联，还首次实现了三大突破：(1) 使用QGRS mapper和改良版G4Hunter算法预测lncRNA中2G/3G/4G型G4s形成潜力；(2) 整合LncATLAS数据库的亚细胞定位信息；(3) 系统标注了lncRNA互作蛋白中已知的RNA G4结合蛋白(RGBPs)，为揭示G4介导的调控网络提供全新视角。

研究团队采用多管齐下的技术路线：首先从Lnc2Cancer 3.0获取癌症相关lncRNA名录，通过NCBI Nucleotide数据库严格筛选经实验验证的转录本序列；随后运用QGRS mapper（参数：最大长度45，最小G组2，环大小0-36）和改良版G4Hunter（窗口45，阈值0.9/1.4）进行G4形成序列预测，特别优化算法以避免重叠序列干扰；同时整合LncATLAS的亚细胞定位数据，以及NPInter/LncTarD的互作组学信息，最终通过人工校验确保数据质量。

研究结果呈现四大核心发现：

1. "数据记录"部分显示，该资源包含16个Excel数据集，详细记载了如HOTAIR、NEAT1等明星lncRNA在不同癌症中的表达模式、G4预测结果（如MALAT1含3个4G型高评分位点）及NCBI访问号等关键信息。
2. "亚细胞定位图谱"揭示重要规律：含多G4的lncRNA如LUCAT1在核质间呈现特异性分布模式，暗示G4可能影响其功能分区。
3. "lncRNA-G4互作伙伴"分析发现，约62%的癌症相关lncRNA互作蛋白（如核纤层蛋白NONO）本身具有RNA G4结合能力，支持"G4作为分子诱饵"的假说。
4. "技术验证"证实，相比ENCODE等数据库，CanLncG4通过严格筛选RefSeq状态为"validated"的转录本，显著提高了预测结果的可靠性。

在讨论环节，作者强调该研究的双重价值：一方面，CanLncG4为解释临床现象提供新思路——如胰腺癌药物QN-302（已获FDA临床试验许可）可能通过破坏lncRNA G4结构发挥疗效；另一方面，数据集揭示的G4-RGBP互作规律，为开发类似CX-5461的新型G4靶向药物指明方向。值得关注的是，研究团队同步发布了交互式网站(http://www.canlncg4.com)，集成G4预测工具和所有数据集下载功能，并承诺持续更新更多癌症类型数据。

这项研究恰逢2024年诺贝尔生理学或医学奖授予ncRNA研究领域之际，为破解"基因组暗物质"的癌症密码提供了关键工具。正如作者指出，这种"自下而上"的研究范式——即从G4结构出发探索lncRNA功能，将显著加速癌症诊断标志物和靶向治疗的发现进程。随着更多研究者利用该资源，我们有望揭开lncRNA三维结构与癌症发生之间的神秘面纱。