miRNA是一类具有调节功能的内源性非编码RNA。目前大多数研究已经证明，miRNA的主要作用场所在细胞质，可以通过与下游靶基因的3'UTR结合来降解mRNA或转录抑制，从而负向调控基因表达。另外，有新的证据已经证明，miRNA可以在核中富集，并发挥作用。研究人员将位于细胞核中并与增强子激活相关的miRNA称为核激活性miRNA（NamiRNA），并通过构建NamiRNA-增强子-靶基因激活网络阐述miRNA在细胞核中的新功能。
增强子，是一段长度约为100–1000 bp的短的非编码DNA序列，属于顺式调节元件，在驱动转录的过程中起着关键作用，且不受其位置的影响，因此能够在发育过程中准确而稳健地调控基因表达。增强子区域具有几个重要特征，包括发生组蛋白修饰（H3K4me1，H3K27ac（激活标记），H3K9me3（抑制标记）），p300 / CBP结合位点富集，发生DNase I超敏反应和增强子RNA（eRNA）的产生（Fig1）。另外，增强子还以组织特异性方式参与调节基因表达，并在各种生物学活动中发挥不同的作用。
研究人员通过分析人类miRNA在基因组中的位置以及如H3K27ac和H3K4me1等增强子标记的富集区域，发现1594个带注释的人类miRNA前体基因座中，有1076个miRNA前体基因座与增强子区域部分重叠。后来，研究人员们发现有一些miRNA，例如miR-24-1和miR-26，位于细胞核中，并在其邻近基因上具有激活功能。研究员将这些miRNA称为核激活性miRNA（NamiRNA）。
研究人员首先对位于增强子区域的miR-24-1展开研究，发现转染miR-24-1前体后，其邻近基因FBP1和FANCC的表达显着增加，而miR-24-1拮抗剂的转染抑制了这些基因的表达。说明NamiRNA可以通过靶向其同源增强子来对其邻近基因具有激活功能。
另外，研究人员已证明组蛋白修饰H3K27ac和H3K4me1在miR-24-1基因座中显着富集，同时抑制标记H3K9me3修饰减少。同样，具有乙酰转移酶活性，促进H3K27乙酰化的转录因子p300在miR-24-1位点富集，表明miR-24-1在研究中可以促进增强子激活。并且，在miR-24-1前体转染后，增强子区域中的RNAPII显着富集，eRNA水平升高，这表明miR-24-1前体能够正向调控增强子活性，因为eRNA转录水平能够反映增强子活性。综上，可以说明NamiRNA能够促进增强子处于活跃状态。第三，通过TALEN技术删除miR-24-1基因座中增强子区域的核心序列后，pre-miR-24-1在293 T细胞中对同源基因的激活作用消失了。这表明miR-24-1对同源基因的激活取决于完整的增强子序列。综上，NamiRNA可以与增强子相互作用，促进诸如H3K27ac和H3K4me1等活性增强子标记的富集，并改变增强子区域的染色质状态，从而在全基因组范围内激活同源基因转录。增强子还可以激活内源性NamiRNA和近端基因的表达。说明miRNA不仅能够在细胞质中对转录过程具有抑制功能，在细胞核中还可以对同源基因的转录具有激活功能。因此，研究人员提出了一个功能性的NamiRNA和增强子网络，以证明它们的相互作用对基因转录的正向调控。这个NamiRNA-增强子-靶基因激活网络描述了miRNA在细胞核中的新功能（Fig2）。Fig2.NamiRNA-增强子-靶基因激活网络的示意图
4构建NamiRNA-增强子-细胞特性/细胞命运决定模型增强子作为顺式驱动元件，可以驱动与细胞特异性和细胞命运重编程有关的细胞类型特异性基因表达，而miRNAs在发育过程中控制细胞命运和维持细胞特性方面发挥关键作用方面。
为了更好地了解NamiRNA与增强子之间的联系，以及NamiRNA在细胞分化和细胞命运重编程中的功能。基于NamiRNA-增强子-靶基因激活网络模型，研究员提出了NamiRNA-增强子-细胞特性/细胞命运决定模型（Fig3）。即，NamiRNA可以通过与靶增强子结合并在细胞发育过程中发挥调节作用来激活基因表达，从而能够控制细胞命运或细胞身份。NamiRNA或增强子区域中的突变可能导致细胞命运转变和细胞身份控制功能障碍，从而导致细胞死亡或组织损伤。Fig3.NamiRNA-增强子-细胞特性/细胞命运决定模型
NamiRNA-增强子-靶基因激活网络的构建可以帮助解释为什么在外源性miRNA转染后，有部分基因的表达上调，但NamiRNA和增强子的结合方式仍不明确，需要更多证据来证明NamiRNA是直接还是间接结合增强子，以揭示NamiRNA-增强子-靶基因激活网络的分子机制，从而拓宽miRNA的研究范围。Liang Y, Zou Q, Yu W. Steering Against Wind: A New Network of NamiRNAs and Enhancers. Genomics Proteomics Bioinformatics. 2017;15(5):331-337