该工具利用先进的机器学习模型（XGBoost）预测高效 siRNA 候选序列，并结合参考转录组比对进行特异性检查，以最大限度地减少脱靶效应。
1. 设计参数 (Design Parameters)
类型说明:
- 19nt: 基于 19nt 线性模型设计，不含 2nt 悬垂（overhangs）。合成时可手动添加悬垂（如对称的 3'TT）。
- 21nt: 基于 21nt 线性模型设计，包含 属于目标序列的 2nt 悬垂。
注意: 该参数定义了脱靶搜索的灵敏度。 值越大（如 3），能检测到更多潜在的脱靶位点（即使是远缘匹配），从而实现更严格的过滤，筛选出的 siRNA 更安全。 值越小（如 1），筛选条件相对宽松。
2. 输入序列 (Input Sequence)
或者粘贴核苷酸序列:
支持格式: 纯序列或 FASTA 格式。
算法与模型 (Algorithm & Model)
siRNA 效能预测基于在大型实验验证数据集上训练的 XGBoost 模型。 主要特征包括：
- 序列组成: 特定位置的核苷酸频率。
- 热力学特征: GC 含量（局部及整体）、Tm 值（熔解温度）。
- 位置偏好: 源自 Reynolds 等和 Ui-Tei 等的特定规则（例如：反义链 5' 端为 A/U）。
- 模体筛选: 避免免疫刺激模体和毒性序列。
特异性检查: 候选序列与选定物种的转录组进行比对。 仅保留特异性靶向输入基因（在指定的错配容忍度下无脱靶命中）的 siRNA。
参考文献 (References)
- Vert JP, Foveau N, Lajaunie C, Vandenbrouck Y. An accurate and interpretable model for siRNA efficacy prediction. BMC Bioinformatics. 2006 Nov 30;7:520.
- Huesken D, et al. Design of a genome-wide siRNA library using an artificial neural network. Nat Biotechnol. 2005 Aug;23(8):995-1001.
- Katoh T, Suzuki T. Specific residues at every third position of siRNA shape its efficient RNAi activity. Nucleic Acids Res. 2007;35(4):e27.
- Bai Y, Zhong H, Wang T, Lu ZJ. OligoFormer: an accurate and robust prediction method for siRNA design. Bioinformatics. 2024 Oct 1;40(10):btae577.