RiboGRAM learns multi-scale non-coding RNA grammar for structural and regulatory inference
本文介绍了 RiboGRAM，一种深度学习模型，该模型能够发现非编码 RNA 序列中的多尺度、位置语法，从而实现跨不同生物体和细胞类型的无监督结构推断与调控基序分析。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
生命构建于一种分子的语言之上，几十年来，科学家们已经理解了其中一种特定方言的语法：即指导细胞如何构建蛋白质的指令。这种代码以三联体的方式被读取，就像句子一样，每三个字母构成一个具有明确含义的单词。然而，遗传剧本的其余部分——那些不编码蛋白质的庞大 RNA 片段——却一直是一个谜。这些非编码 RNA 起到调节器、开关和结构支架的作用，但它们的内部组织看起来却很混乱，缺乏指导蛋白质合成序列的那种明显的规则。由于缺乏阅读这种隐藏语言的方法，理解这些分子如何折叠成复杂的形状，或者它们如何与细胞内的其他机制相互作用，一直是一个重大的障碍。
一组研究人员现在发现了一套支配这种难以捉摸的语言的规则，揭示了非编码 RNA 遵循着一种独特的、可学习的语法，这种语法由短小的字母模式如何排列以及它们出现在分子中的位置来定义。他们开发了一种名为 RiboGRAM 的新型计算机模型，该模型通过研究来自从细菌到人类的九种不同生物的数百万个 RNA 序列，学会了如何阅读这些模式。该模型发现，虽然蛋白质编码序列在从一端到另一端时保持相对稳定，但非编码 RNA 在你从分子的起始端向末端移动时会发生可预测的变化。具体而言，研究人员发现，某些字母组合（特别是富含字母 U 的组合）在序列接近末端时变得更加频繁。这种方向性的转变，结合在不同尺度上对特定短字母组的使用，构成了一个模型现在可以解码的结构蓝图。
通过对这组大规模非编码 RNA 进行训练，该模型学会了将这些分子归类为不同的家族，甚至能在没有被明确教授什么是形状的情况下，预测它们的物理形状。当研究人员测试该模型识别 RNA 链中哪些部分相互粘合以形成双螺旋的能力时，它的表现远优于仅针对蛋白质编码指令进行训练的模型。事实上，该模型能够以极高的准确度识别出这些连接，这表明序列本身包含了分子能够正确折叠所需的必要线索。这种能力使团队能够仅以字母序列作为指南，从头开始构建短 RNA 分子的三维模型，其结果足以媲美那些需要大量进化数据的更复杂方法。
这种新语法的力量不仅限于折叠，它还解释了这些分子如何与蛋白质相互作用。当研究人员将他们的模型应用于人类细胞时，他们发现该模型能够以惊人的精度预测哪些 RNA 序列会与特定的蛋白质结合。更重要的是，模型揭示了这些结合位点的位置并非随机分布。不同类型的蛋白质更倾向于让其目标序列位于相对于结合事件中心的特定位置，且这些偏好会根据细胞类型的不同而发生偏移。例如，在某些细胞中，模型发现蛋白质偏好富含某些字母的序列，而在其他细胞中，这种偏好发生了转移，且模型能够检测到这种变化。这表明 RNA 的“语法”并非静态的，而是会适应细胞环境，从而影响遗传信息的调节方式。
研究人员还测试了他们的模型是否能够处理更长、更复杂的 RNA 链。虽然该模型在较短序列上的表现异常出色，但随着分子变长，其准确性略有下降，这一挑战反映了预测大型复杂分子结构的普遍难度。然而，即使存在这些局限性，该模型也提供了一种观察非编码 RNA 中隐藏秩序的新途径。它表明，字母序列不仅仅是信息的被动载体，更是一个主动的蓝图，决定了分子的行为、折叠方式以及与细胞其余部分的相互作用。
这项工作确立了非编码 RNA 拥有一种可以通过现代人工智能进行解码的可学习语法。通过识别定义这些分子的多尺度模式和方向梯度，研究人员提供了一种工具，可以在无需预先了解分子形状的情况下预测其结构和功能。该模型在不同物种和细胞类型之间的泛化能力表明，这些规则是生物学中 RNA 发挥作用的基础规则。随着团队不断完善这些工具，他们为观察生命的分子机制提供了一个新的视角，将曾经神秘的剧本转变为一种可读、可理解的语言。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。