RMaP 挑战：利用纳米孔测序预测 RNA 修饰，推动表观转录组学发展

为解决 RNA 修饰检测方法的可比性、可靠性和一致性问题，研究人员开展 RNA 修饰与加工（RMaP）挑战研究。通过多种计算方法检测 m6A、ψ 和 m5C 等 mRNA 修饰，结果显示不同方法在这些修饰检测上有较低误差和较高准确率，该研究推动了 RNA 修饰预测算法的发展。

　　在生命的微观世界里，RNA 就像一位忙碌的 “信使”，不仅传递着遗传信息，还身负众多神秘的 “超能力”。其中，RNA 修饰扮演着关键角色，像 N⁶- 甲基腺苷（m⁶A）、假尿苷（ψ）和 5 - 甲基胞嘧啶（m⁵C）等，它们在细胞的各种活动中发挥着重要作用，从基因转录到细胞生命周期的调控，都有它们的身影。然而，这些修饰就像隐藏在 RNA 序列中的 “密码”，难以被轻易识别。以往的检测方法，比如结合下一代测序（NGS）技术的方法，虽然取得了一定进展，但在处理过程中会丢失信息，而且短读长测序技术在捕捉 RNA 修饰的多样性和适应性方面也存在明显局限。

为了攻克这些难题，来自多个研究机构的研究人员共同发起了 RNA 修饰与加工（RMaP）挑战研究。这些研究机构包括 Friedrich-Schiller-University Jena、Johannes Gutenberg-University Mainz 等。研究人员利用纳米孔直接 RNA 测序（DRS）技术，结合多种计算方法，对 RNA 修饰展开深入探索。

该研究主要运用了以下关键技术方法：首先是体外转录（IVT）技术，通过设计特定的 DNA 模板，转录出含有不同修饰的 RNA；接着利用纳米孔测序技术对 RNA 进行测序；然后运用多种计算方法，如比较法和从头检测法，对测序数据进行分析，预测 RNA 修饰的位置和频率；最后使用多种评估指标，如均方根误差（RMSE）、平均绝对误差（MAE）等，对不同方法的性能进行评估。

研究结果

1. m⁵C 修饰检测：研究人员创建了特定的数据集，参与者需要分析 RNA 读取数据，并报告特定 m⁵C 修饰在 DNA 参考序列中每个位置的频率。结果显示，Method 1 在检测正确频率方面更精确，其 RMSE、最大和最小偏差值较小；而 Method 2 虽然平均预测正确的修饰位置更多，但偏离目标频率更大。
2. m⁶A 修饰检测：与挑战 1 类似，参与者需检测转录读取数据中的 m⁶A 修饰。结果表明，与用于 m⁵C 分析的方法相比，CHEUI 用于 m⁶A 频率预测时，误差更大，这说明 CHEUI 更适合 m⁵C 的分析。
3. ψ 修饰检测：此挑战利用机器学习技术检测 RNA 读取数据中的 ψ 修饰。参与者可根据给定的训练数据集生成并训练自己的机器学习方法。结果显示，Methods 4 和 5 表现相似，Method 4 在预测频率和位置上更准确，但需要先验知识；Method 5 虽不需要先验知识，但最大偏差值更小。

研究结论与讨论

通过 RMaP 挑战，研究人员发现不同方法在 RNA 修饰检测上各有优劣。像 Dorado 碱基识别器与不同的重采样算法结合使用时，对数据生成和标记过程影响较小；选择正确的预测算法对分析结果至关重要，不同的神经网络架构针对特定任务的特异性会导致性能差异；特征提取也非常关键，它能正确地将原始信号与可能的修饰碱基联系起来。

该研究为 RNA 修饰检测提供了初步的标准指南，如使用与 Dorado 碱基识别器搭配的重采样算法，谨慎选择预测算法等。不过，这些结论是基于合成数据得出的，在体内 RNA 分析中可能存在差异。未来还需要更多的挑战研究，结合合成数据和体内 DRS RNA 样本进行训练和验证，同时开发综合的 RNA 库，以更精确地定义 RNA 修饰分析的指南，推动表观转录组学这一复杂领域的发展。RMaP 挑战为科学界提供了一个共同探索和改进 RNA 修饰检测方法的平台，对未来生命科学和健康医学领域的研究具有重要的指导意义，它让我们更接近揭开 RNA 修饰的神秘面纱，为深入理解生命过程和攻克相关疾病奠定了基础。