考虑场地环境预测场地效能的定量模型（A） 使用更多3'配对的7mer-m8站点的效率提高。使用单个站点的消息按照，并且对于每个得分，绘制微阵列上的平均下调。回归线是对完整数据的最佳最小二乘拟合，表示得分与数组下调之间的关系(P（P）< 10−3，r=−0.07，皮尔逊相关）。平均日志2显示折叠变化（−0.161）（虚线）。配对得分<1或>5的少数位点分别折叠到第一个和最后一个箱子中。
（B） 在较高的本地AU含量范围内提高7mer-m8位点的功效。根据中所述的评分，将具有单个站点的邮件分为14个大小相等的箱子，其中1.0等于最大可能得分。对于每个bin，绘制的点对应于微阵列上的平均得分和平均下调，直线拟合如（A）所示(P（P）< 10−32，r=−0.21，皮尔逊相关）。
（C） 距离3'UTR末端更远的7mer-m8位点的疗效降低。根据与最近的UTR端的距离，将具有单个站点的消息拆分为14个大小相等的箱子，并按（B）所示绘制点和回归线(P（P）< 10−8，r=0.11，皮尔逊相关）。
（D） 单个7mer-m8位点的预测疗效与观察疗效之间的对应性。根据上下文得分，将具有单个站点的消息分为14个大小相等的箱子，通过预测三个上下文决定因素（面板a–C）平均值的偏移量，然后将这三个贡献添加到平均日志中，计算出每条消息的上下文得分27mer-m8站点的折叠变化(图S6). 点对应于每个箱子的平均得分和平均下调。回归线是最适合完整数据的最小二乘法(P（P）< 10−45，r=0.25，皮尔逊相关）。
（E） 当应用于未用于派生模型的数据集时，组合模型的性能。图中显示了siRNA转染后mRNA水平变化的累积分布（Jackson等人，2003年），在首次使用上下文得分预测了siRNA的顶部和底部四分位数后，使用上下文得分计算了siRNA中具有单个7mer-m8位点的信息的上下文得分(图S5)；否则，如所示(P（P）< 10−31，双面KS测试，比较顶部和底部四分位数）。
（F） 一个统一的模型，考虑7-8分子标准位点的差异效力和上下文决定因素的影响。根据该位点在小鼠、大鼠和狗的同源UTR中是否保守，将具有单个7mer-A1、7mer-m8或8mer位点的人类信息分为两组。对于每个站点，使用面板a–C的回归和其他两种类型站点的类似回归来计算上下文得分(表S6). 对于保守（橙色）和非保守（蓝色）集，根据上下文得分将位点分为14个bin，并绘制每个bin的平均得分和平均抑制。回归线适合完整数据（保守：P（P）< 10−24，r=0.25，不合格：P（P）< 10−50，r=0.32，皮尔逊相关性）。
（G） 根据上下文得分（F）进行排名，预测不同类型网站在有利或不利环境中的表现。所示为下调消息的最小数量，使用（E）等累积分布进行计算。
（H） MicroRNA介导的荧光素酶报告基因的抑制融合到3’UTR片段，该片段包含位于有利环境中的单个7mer-m8 miR-25位点。将转染控制标准化后，与每个报告构建物及其同源miRNA（miR-25）共转染的HEK293细胞的荧光素酶活性标准化为与突变miR-25位点和同源miRNA共转染报告者的荧光素酶活性，将联合转染的野生型报告基因结构和非同源miRNA（miR-196）的荧光素酶活性归一化为联合转染突变型报告基因和非同源micRNA的荧光素酶活性。绘制出归一化值，误差条代表12个重复中第三大和第三小的值，当比较同源和非同源miRNA的结果时，显示出明显的抑制作用（*，P（P）< 0.01; **,P（P）<0.001；Wilcoxon秩和检验）。每个基因名称下面是miR-25位点的上下文得分，以及用于计算该得分的三个上下文贡献，如（D）所示。
（一） MicroRNA-介导的荧光素酶报告基因的抑制融合到3'UTR片段，该片段包含一个7mer-m8 miR-25靶点，位于不利环境中，否则如（H）所示。
