技術要約: EukaUTR

問題提起

真核生物のmRNA 3′非翻訳領域（3′ UTR）は、RNA結合タンパク質（RBP）、マイクロRNA、および選択的ポリアデニル化との相互作用を通じて、転写後制御、RNAの運命、および遺伝子発現を規定する極めて重要なシス調節要素である。その重要性にもかかわらず、現在の計算手法には主に3つの制限事項が存在する：

1. 進化的な範囲の限定: 既存の3′ UTR言語モデル（例：3UTRBERT、GEMORNA）は、主にヒトまたは哺乳類の配列空間に限定されており、多様な真核生物の調節メカニズムを捉えることができていない。
2. 生成能力の制限: ほとんどのモデルは、機能予測（例：結合親和性）に焦点を当てており、de novo（新規）配列生成や生成された配列の体系的な特性評価には至っていない。
3. 制御可能な設計の欠如: 小規模な配列セットから特性に関連するシグナルを抽出し、追加のモデル学習を必要とせずに既存の配列の標的最適化を導くための戦略が不足している。

メソドロジー

モデルアーキテクチャと事前学習戦略

EukaUTRは、12層のTransformerエンコーダ（ESM-2スタイル、12個の自己注意ヘッド、隠れ次元768、パラメータ数約8,700万）に基づいた、3′ UTR特化型の基盤モデルである。広範な表現学習と高信頼性の精緻化を両立させるため、2段階の事前学習戦略を採用している：

• ステージ1（多様性の確保）: 多様な真核生物の系統（脊椎動物、非脊椎動物のメタゾア、植物、真菌、原生生物）にわたる1,715のゲノムから抽出された、約703万個の非冗長な3′ UTRを用いて事前学習を行った。この段階では、汎用的な表現を学習するためにマスク言語モデル（MLM）目的関数を利用した。
• ステージ2（精緻化）: ステージ1のモデル（EukaUTR-S1）を、ステージ1に含まれていない4種の脊椎動物（ヒト、マウス、ラット、ゼブラフィッシュ）由来の高信頼性コーパスを用いてさらに精緻化した。これには2つの適応戦略が用いられた：
  • 全パラメータ継続事前学習による EukaUTR-S2。
  • 低ランク適応（LoRA）による EukaUTR-S2-LoRA。

ダウンストリームアプリケーション

本フレームワークは、主に以下の3つの動作モードをサポートする：

1. 機能予測: RBP結合、m6A修飾、選択的ポリアデニル化（APA）、mRNA安定性、および遺伝子発現出力を含む多様なタスクへのファインチューニング。
2. 局所シス調節解析: モデルを用いて、領域的な変異感受性や文脈依存的な配列シグナル（例：ARE1エレメント、RBMS3結合領域）を探索する。
3. 配列生成および設計:
   • De Novo 生成: 反復的な信頼度ガイド付きデコーディングを用いて、新規な3′ UTR配列を生成する。
   • EukaUTR-Guide: 特性が対照的な小さな配列セット（例：高い分解率 vs 低い分解率）から「ステアリング・ベクトル」を導出する、特性指向の編集フレームワーク。このシグナルは、モデルの再学習を必要とせずに、既存の配列における特定のヌクレオチド位置のマスキングとデコーディングをガイドし、望ましい特性に向けて最適化を行う。

主な結果

1. 機能予測の性能

EukaUTRは、転写後制御、RNAの運命、および発現出力にわたる13のダウンストリームタスクで評価された。

• RBP結合: eCLIPベンチマーク（22のRBP–細胞株の組み合わせ）において、EukaUTR-S2-LoRAは最高のマクロ平均F1スコア（0.782）およびMCC（0.567）を達成し、最強の外部ベースラインをF1で3.46–4.13%、MCCで10.74–12.72%上回った。遺伝子保持（gene-held-out）CLIPベンチマークでは、EukaUTR-S1が最も優れた性能を示し、F1スコアにおいて1.78–6.95%の相対的な改善を示した。
• m6A修飾: 3つのEukaUTRバリアントすべてが、ヒトの9つの細胞株において強力な性能を示した。EukaUTR-S2はF1 0.968、MCC 0.937に達し、専門的な予測器である3UTRBERTと同等またはそれを上回る結果となった。
• mRNA安定性と発現: EukaUTRモデルは、mRNA分解率、半減期、タンパク質出力、および翻訳効率の予測において、ベースライン（3UTRBERT, mRNABERT, GEMORNA-UTR）を一貫して上回った。特に、EukaUTR-S2は、RNA存在量予測において最強のベースラインに対して最大**27.45%**の相対的な利得を達成した。

2. 局所シス調節の知見

局所解析により、EukaUTRが領域的かつ文脈依存的なシグナルを捉えていることが示された：

• 変異感受性: モデルは、CXCL2 3′ UTR内の実験的に定義されたARE1エレメントにおける変異感受性の高まりを特定し、これは実験的なレポーターデータと相関していた（ピアソンの r = 0.210）。
• 配列コンテキスト: RBMS3結合領域において、モデルは分解傾向に関連するAUAリッチな配列シグナルを捉え、マッチドコントロールと比較して有意に高い予測分解スコアおよびAUAカウントを示した。

3. De Novo 生成および設計

• 自然に近い特性: 生成された配列は、GC含有量、最小自由エネルギー（MFE）、およびk-mer頻度において自然なものに近い分布を示した（EukaUTR-S2における相関 r = 0.969–0.981）。また、標準的な調節モチーフ密度（PAS, ARE, CPE）およびmiRNAターゲットサイト密度も、天然の参照配列に近い状態を維持した。
• 新規性: 生成された配列は、事前学習コーパスまたは生成されたセット内に対して、高い同一性（同一性 ≥80%、カバレッジ ≥0.8）を持つ一致を示さず、単なる記憶ではないことが確認された。
• EukaUTR-Guideによる最適化: 高い予測分解率を持つ配列に適用した場合、ガイド付き編集は、参照配列に対して予測分解率の中央値を**37.2%**減少させた（非ガイド付き編集の17.5%と比較）。この改善は89.1%の配列で観察され、複数の外部配列モデルによって支持された。編集プロセスは、系統的にGC含有量を増加させ、予測されるmiRNAターゲットサイトを減少させた。

意義および主張

本論文は、EukaUTRが真核生物の3′ UTRのための統一された**「配列—機能—設計」のフレームワーク**を確立したと主張している。その意義は以下の点にある：

1. 広範な表現: ヒト/哺乳類中心のモデルを超え、多様な真核生物の系統にわたる調節ロジックを捉えること。
2. 統合された能力: 転用可能な機能予測、de novo 生成、および特性指向の最適化を単一の基盤モデル内に統合していること。
3. 制御可能な設計: 小規模な配列セットから特性に関連するシグナルを抽出し、追加の学習なしに標的となる編集をガイドできることを実証しており、精密な3′ UTR設計への道筋を提示していること。

著者らは、計算上の特性（自然さ、新規性、安定性予測）は堅牢であるものの、予測された改善が実際の細胞環境におけるmRNA安定性や調節機能へと変換されることを確認するには、実験的な検証が必要であるとし、生物学的検証に関する慎重な立場をとっている。本研究は、転用可能な3′ UTRモデリングおよび設計に向けた基礎的な一歩として提示されている。