morrislab/eclip

eCLIP数据集是一个实验协议，用于测量RNA结合蛋白（RBP）在转录组中的体内结合位点。该数据集中的eCLIP轨迹已经使用Peakhood进行了重新处理，以报告两个细胞系中RBP特定的结合位点数量。数据集包含两个细胞系的配置：hepg2和k562，每个配置都有对应的训练集split和数据文件。

The eCLIP dataset is an experimental protocol that measures the in vivo binding sites of RNA-binding proteins (RBPs) across the transcriptome. The eCLIP tracks in this dataset have been reprocessed using Peakhood to report the number of RBP-specific binding sites across two cell lines. The dataset includes configurations for two cell lines: hepg2 and k562, each with corresponding training set splits and data files.

搜集汇总

数据集介绍

构建方式

在RNA生物学与基因组学领域，精准描绘RNA结合蛋白（RBP）在全转录组中的体内结合位点对于解析基因调控机制至关重要。该数据集基于eCLIP实验协议，通过紫外交联、免疫沉淀与高通量测序技术的耦合，获取了两种细胞系（HepG2和K562）中RBP的特异性结合图谱。原始数据源自ENCODE项目Yeo实验室的产出，并利用Peakhood工具重新处理，以报告每个转录本上特定RBP的结合位点数量。数据以Parquet格式存储，包含两个配置子集，分别对应不同细胞系的训练集。

使用方法

用户可通过HuggingFace Datasets库直接加载该数据集，指定配置名称为‘hepg2’或‘k562’以获取对应细胞系的训练数据。数据以Parquet格式存储，包含‘target_{rbp}’、‘cds’和‘splice’等列，适用于构建RBP结合位点预测模型。推荐结合mRNABench框架进行下游任务，如序列特征提取或深度学习模型训练。使用时需遵循ENCODE数据使用政策，并引用原始文献（Nature 2012及Nature Methods 2016）以尊重数据来源。

背景与挑战

背景概述

在转录组学与RNA生物学的交汇处，RNA结合蛋白（RBP）作为基因表达调控的核心执行者，其与靶标RNA的互作模式一直是分子机制研究的焦点。由Morris实验室主导、依托ENCODE项目Yeo实验室原始数据构建的eCLIP数据集，于近年通过Peakhood流程对增强交联免疫沉淀测序（eCLIP）实验信号进行再处理，系统描绘了HepG2与K562两种细胞系中RBP特异性结合位点的全转录组图谱。该数据集不仅为解析RBP在剪接、稳定性及翻译等过程中扮演的调控角色提供了量化基准，更通过标准化轨道格式（如CDS密码子定位及剪接位点注释）推动了mRNA功能组学研究的可重复性，其与mRNABench平台的整合标志着该领域从单蛋白研究向系统生物学范式的跨越。

当前挑战

该数据集面临的核心挑战在于多维度解析RBP结合位点的功能异质性。首先，eCLIP实验固有的紫外交联偏好性可能导致弱亲和力或瞬时互作位点的遗漏，而Peakhood流程虽优化了信噪比，却仍难以完全区分功能性结合与背景噪声，尤其在非编码区域或重复序列富集区。其次，不同细胞系间RBP结合模式的差异揭示出组织特异性调控网络的复杂性，但现有数据缺乏对翻译活性或RNA二级结构等动态因素的整合，限制了从结合事件向功能后果的因果推断。此外，跨物种保守性分析因缺乏进化维度的对照而受阻，同时大规模多RBP共结合位点的协同效应解析仍依赖计算模型，亟需实验验证策略的突破以弥合关联性与机制性之间的鸿沟。

常用场景

经典使用场景

eCLIP数据集在转录组学与RNA生物学研究中占据核心地位，其经典使用场景在于系统性地鉴定RNA结合蛋白（RBP）在全转录组范围内的体内结合位点。通过整合来自HepG2与K562两种细胞系的eCLIP测序数据，研究者能够利用该数据集构建RBP-转录本相互作用图谱，进而揭示RNA调控网络的分子基础。该数据集经Peakhood工具重新处理，以量化每个转录本上特定RBP的结合位点数目，为后续的差异结合分析、RNA加工机制解析以及调控元件注释提供了高分辨率的定量资源。

解决学术问题

该数据集有效解决了RNA结合蛋白功能研究中长期存在的关键学术问题，即如何在复杂细胞环境下准确捕获RBP与靶标RNA的动态结合事件。传统方法受限于低通量或体外条件，难以反映真实的体内相互作用。eCLIP数据集的引入，使得研究人员能够大规模鉴定RBP的结合谱系，揭示其在可变剪接、RNA稳定性及翻译调控中的具体角色。这一突破不仅深化了对转录后调控机制的理解，还为解析疾病相关RBP突变的功能后果提供了重要参考，推动了RNA生物学向系统化与精准化方向的发展。

实际应用

在实际应用中，eCLIP数据集广泛服务于生物医药领域的靶点发现与药物开发。例如，研究人员可基于该数据集中RBP在癌症细胞系中的结合模式，识别潜在的致癌性RNA-蛋白互作节点，进而设计小分子抑制剂或反义寡核苷酸进行干预。此外，该数据集在mRNA疫苗设计、RNA稳定性优化以及基因治疗载体开发中亦发挥重要作用，通过预测RBP结合对mRNA半衰期和翻译效率的影响，指导工程化RNA序列的理性设计，提升治疗性RNA分子的效能与安全性。

数据集最近研究

最新研究方向

在RNA生物学与基因组学的前沿领域，eCLIP数据集正成为解析RNA结合蛋白（RBP）在转录组中动态结合位点的关键资源。当前研究聚焦于利用深度学习与统计模型，从eCLIP衍生的高分辨率结合信号中揭示RBP在剪接、翻译调控及疾病机制中的功能角色。结合ENCODE项目的大规模数据，该数据集推动了mRNA转录后调控网络的系统建模，尤其在癌症等复杂疾病中，RBP异常结合与基因表达失调的关联成为热点。此外，通过与Peakhood等工具整合，研究者能够标准化位点定量，促进跨细胞系比较与功能基因组学应用，为精准医学中的靶点发现奠定了数据基础。