1. 领域背景与文献
文献英文标题：Active learning enables evolutionary discovery and characterization of fungal transcriptional activators；
发表期刊：Genome Biology；影响因子：未公开；研究领域：真菌功能基因组学与转录调控。
领域共识：当前生物学发现与功能元件设计越来越依赖于高通量技术产出数据训练的预测模型，这类模型可以替代成本高昂的大量实验，显著提升研究效率。转录激活因子是调控基因表达的核心功能元件，发挥功能的核心区域为激活结构域，激活结构域属于固有无序蛋白，序列保守性极低，传统比较基因组学方法难以对其开展跨物种进化研究。现有功能基因组学数据集大多存在模式生物过度代表的偏差，非模式物种的序列与功能数据覆盖度严重不足，导致训练得到的预测模型在非模式物种的进化研究中容易失效，预测精度与泛化能力无法满足研究需求。当前该领域的研究热点方向为开发结合机器学习与高通量实验的新型研究框架，实现对进化空间更广范围功能元件的准确注释，尚未解决的核心问题是如何构建能够适应跨物种进化多样性、在非模式物种中依然保持高预测性能的稳健功能基因组学模型。
现有研究在转录激活因子预测领域已经取得一定进展，但依然存在跨物种泛化性不足、非模式物种注释缺失的研究空白，因此本研究针对这一核心问题，提出结合主动学习与高通量分子检测的混合研究框架，旨在实现跨真菌进化空间的转录激活因子发现与功能表征，为进化尺度的功能基因组学研究提供可推广的新策略。
2. 文献综述解析
作者从数据基础与方法性能两个维度对现有研究进行梳理评述，明确现有研究的核心优势与局限性。现有研究已经建立了转录激活因子预测的机器学习算法框架，能够基于序列特征预测潜在的激活结构域，部分算法在模式物种数据集上已经获得了较好的预测精度，证明了机器学习在该领域的应用可行性。高通量实验技术的发展也为批量获得激活结构域的功能活性数据提供了技术支撑，解决了传统低通量实验数据产出慢的问题。但现有研究存在两个核心局限性，一是现有数据集高度依赖模式生物，非模式物种的覆盖度极低，数据集存在明显的进化采样偏差，二是激活结构域本身固有无序、低保守性的特征，导致传统比较基因组学方法无法实现跨物种的功能注释，大量非模式物种蛋白的功能信息缺失。现有研究尚未关注到通过主动学习策略引导进化采样，解决数据集偏差提升模型泛化性的问题，也没有在跨数百上千个真菌基因组的尺度上系统开展激活结构域的功能表征。
相较于现有研究，本研究的创新价值十分明确，首次将主动学习策略引入跨真菌进化空间的转录激活因子研究，通过模型不确定性引导采样，有效扩大了非模式物种的功能数据覆盖度，构建的ADhunter模型预测性能超过现有最先进算法，同时首次为数千个非模式真菌蛋白提供了功能注释，填补了该领域的研究空白，证明了跨进化空间采样对提升功能基因组学模型泛化性的重要性。
3. 研究思路总结与详细解析
本研究的整体研究目标是开发能够在跨真菌进化空间准确识别转录激活因子并定量其激活强度的研究框架，核心科学问题是如何解决现有数据集采样偏差导致的模型泛化性不足问题，揭示激活结构域在跨物种进化中的序列特征。整体技术路线遵循“初始模型构建→主动学习引导采样→高通量功能验证→模型重训优化→可解释性分析”的闭环逻辑，逐步实现研究目标。
3.1 初始预测模型ADhunter构建与性能验证
实验目的：构建能够定量预测转录激活因子激活强度的回归模型，验证其相较于现有算法的性能优势。方法细节：利用包含17609条真菌和植物蛋白片段序列及其功能活性测量的初始数据集训练ADhunter模型，选择领域内现有最先进的转录激活因子预测算法作为对照，开展基准性能测试。结果解读：测试结果显示ADhunter在识别转录激活因子和定量激活强度两个任务上的性能均优于现有最先进算法（文献未明确提供具体性能数值，基于原文结论表述），证明模型的有效性。实验所用关键产品：文献未提及具体实验产品，领域常规使用机器学习计算框架、生物信息学分析软件。
3.2 基于模型不确定性的主动学习进化采样
实验目的：基于初始模型的预测不确定性选择待验证序列，开展跨物种进化采样，获得更多非模式真菌的激活结构域功能数据。方法细节：对来自2400个真菌基因组的7842516条蛋白序列进行筛选，基于ADhunter模型的预测不确定性选择高信息增益的序列，构建高通量功能检测文库开展功能实验。结果解读：最终共获得来自1071个真菌基因组的9836个激活结构域的功能数据，与现有数据集相比，基因组覆盖范围扩大了15.5倍，大幅提升了非模式真菌的覆盖比例。实验所用关键产品：文献未提及具体实验产品，领域常规使用高通量寡核苷酸合成试剂盒、流式细胞分选仪、高通量测序仪。
3.3 整合新数据重训模型与泛化能力验证
实验目的：将新获得的功能数据与初始数据集整合，重新训练模型，验证模型泛化能力的提升效果。方法细节：对初始数据集和主动学习获得的新数据进行活性分布标准化校正，构建统一的整合数据集后重新训练ADhunter模型，对比初始模型在非模式物种数据上的预测精度。结果解读：整合大规模跨物种数据后，模型对非模式物种转录激活因子预测的泛化能力得到显著提升，本次研究首次为非模式真菌中的3416个蛋白提供了明确的功能注释。实验所用关键产品：文献未提及具体实验产品，领域常规使用统计分析软件、机器学习计算服务器。
3.4 模型可解释性分析与序列规则挖掘
实验目的：解析ADhunter模型学习到的激活结构域序列特征，验证与现有生物物理模型的一致性，挖掘未被关注的新序列规则。方法细节：采用机器学习模型可解释性分析方法，提取模型预测过程中关注的核心序列特征，与已有的激活结构域生物物理模型结论进行比对。结果解读：模型学习获得的核心序列特征与现有生物物理模型的结论一致，同时挖掘得到多个此前未被充分关注的新型蛋白编码规则，丰富了领域对激活结构域功能分子基础的认识。实验所用关键产品：文献未提及具体实验产品，领域常规使用生物信息学统计分析工具。
4. Biomarker 研究及发现成果
本研究核心聚焦真菌转录激活因子的跨进化识别与功能表征，未开展生物标志物相关的筛选、验证与功能研究，未提出或鉴定相关的生物标志物，无对应生物标志物研究成果产出。