RNAflash: Fast and Sensitive Structure-aware RNA Homology Detection and Alignment

在生命的浩瀚图书馆中，RNA扮演着多才多艺的信使与管理者的角色，它传递来自DNA的指令，并协助构建运行细胞所需的蛋白质。为了理解一段特定的RNA如何运作，科学家们经常寻找它的亲属——即那些拥有共同祖先的其他RNA分子。这些亲属被称为同源物，它们就像家族谱系中的远房表亲；表面上看它们可能大不相同，但通常会折叠成相似的形状以执行相同的任务。寻找这些表亲对于预测RNA如何折叠成三维结构至关重要，而这是理解其功能以及如何对其进行药物靶向研究的关键步骤。然而，该领域存在一个持久的问题：用于寻找这些亲属的工具通常迫使科学家在速度和准确性之间做出选择。快速的工具往往会错过这些远房表亲，因为它们过度依赖于逐字逐句的精确匹配；而那些观察分子形状的准确工具则非常缓慢，在搜索包含数百万条序列的现代数据库时可能需要耗费数天时间。

上海交通大学的一个研究团队推出了一种名为RNAflash的新方法，旨在打破这种权衡。该方法就像一个两步走的搜索引擎，旨在快速找到这些难以捉摸的RNA亲属，然后将它们排列成一幅有用的“家族肖像”。第一步使用一个经过训练的系统来识别RNA序列的“声音”，即使这些字母随着时间的推移发生了显著变化。该系统并非将查询序列的每一个字母都与包含三千万条条目的庞大数据库中的每一条序列进行比较，而是将每条序列转换为一个紧凑的摘要。随后，它利用一个高速索引，在不到一秒钟的时间内找到最有希望的匹配项。这一初步扫描速度很快，但并不完美；它可能会包含一些误报，或者遗漏一些只有通过更仔细观察才能发现的微妙联系。

为了解决这个问题，过程的第二步会对第一轮筛选出的顶级候选对象进行更仔细的检查。这一阶段使用一种不同的分析方式，观察RNA分子的预测形状。由于RNA分子的形状通常比其字母序列更稳定且更具保守性，这一步可以确认快速搜索所遗漏的关系。它根据形状如何匹配来进行序列比对，确保最终的亲属列表既准确又具有生物学意义。其结果是一个排列在多序列比对中的序列集合，这是一个将亲属排列整齐的网格，以便科学家观察它们在哪里一致，以及在哪里存在差异。这个网格是预测分子三维结构的基础。

研究人员将他们的系统与现有的一系列工具进行了对比，其中包括一些被视为该领域“金标准”的工具。他们发现，RNAflash能够比仅基于序列的快速工具找到更远亲的亲属，并且比基于形状的缓慢工具运行得快得多。在一次涉及针对三千万条序列数据库中数百个查询的大规模测试中，新方法完成了所有174个查询的整个搜索和比对过程，总共耗时1,682秒。相比之下，传统的基于形状的工具完成同样的工作需要多出100倍以上的时间。RNAflash生成的比对不仅创建速度更快，而且质量更高，包含了更多有助于科学家理解RNA如何折叠的有用的进化信号。

该团队还为那些对速度有绝对要求的场景创建了一个更轻量、更快速的版本。这个被称为RNAflash-L的版本可以在不到一秒钟内找到并比对亲属。虽然它比完整版本略逊一筹（灵敏度稍低），但它在生成的比对质量方面仍然优于其他快速工具。这种速度意义重大，因为这意味着研究人员现在可以大规模生成进行高级结构预测所需的高质量家族比对，而这在以前是无法实现的。通过使在数秒而非数天内搜索数百万条序列成为可能，这项工作为研究此前难以研究的RNA分子打开了大门，有望加速发现新的生物功能和治疗靶点。