iHofman模型：基于加权注意力机制整合高低阶特征预测环状RNA与微RNA相互作用的新方法

本研究推荐：研究人员针对circRNA-miRNA相互作用(CMI)预测难题，开发了整合FastText序列特征、GraRep结构特征和堆叠自编码器(SAE)的iHofman模型。通过加权注意力机制动态融合多源特征，在三个基准数据集上实现平均AUC 0.9092，26/30预测结果获实验验证，为疾病机制研究和生物标志物发现提供了高效计算工具。

　　

在非编码RNA研究领域，环状RNA(circRNA)因其独特的闭合环状结构和调控功能日益受到关注。这些没有5'帽和3'poly-A尾的RNA分子，曾被认为是剪接副产物，现已被证实能作为"分子海绵"吸附微RNA(miRNA)，在骨质疏松、癌症等疾病中发挥关键作用。然而，传统实验方法鉴定circRNA-miRNA相互作用(CMI)存在耗时长、成本高的瓶颈，而现有计算方法多依赖静态特征，难以捕捉动态调控关系。

针对这一挑战，西京大学联合中国矿业大学等机构的研究团队在《BMC Biology》发表了创新性研究成果。该研究开发了iHofman预测模型，通过整合序列、结构和高低阶特征，结合加权注意力机制，实现了CMI的高精度预测。模型在基准数据集上达到82.49%准确率和0.9092 AUC值，26个top预测获文献验证，显著优于现有方法。

研究采用三大关键技术：1)使用FastText提取circRNA/miRNA序列的k-mer特征，GraRep算法构建CMI网络拓扑特征；2)采用堆叠自编码器(SAE)分层提取256维和128维高低阶特征；3)设计加权注意力机制动态融合三类特征，最终通过多层感知机(MLP)分类器预测相互作用。实验基于CMI-9905等三个数据集，包含9905-20208对已验证相互作用。

研究结果部分：
背景：系统梳理了circRNA作为miRNA海绵在基因调控中的作用，指出现有预测方法对动态特征捕捉不足的缺陷。

方法：创新性地将FastText序列嵌入与GraRep图表示学习结合，SAE提取的特征显示高低阶特征分别捕获局部序列模式和全局调控关系。

特征融合分析：比较实验表明2:2:1静态特征比例效果最佳，但加权注意力机制通过动态分配权重（circRNA序列0.41、miRNA序列0.38、结构0.21）进一步优化性能。

模型比较：五折交叉验证显示iHofman在CMI-9905数据集上Acc达83.59±0.31%，显著优于CNN、DNN等基线模型(p=7.359×10^-7
)。

案例验证：预测的hsa_circ_0001955与hsa-miR-145-5^p
等26对相互作用获实验证实，涉及骨质疏松和肾损伤等疾病通路。

结论与讨论：
该研究建立的iHofman模型首次实现了多模态RNA特征的动态融合，其创新性体现在：1)通过SAE分层提取的64维瓶颈特征有效保留了序列关键信息；2)注意力权重分布揭示circRNA序列特征贡献度最高(41%)，与生物学中circRNA作为主要调控分子的认知一致；3)在lncRNA-miRNA数据集上的迁移实验(AUC 0.9149)证明模型具有跨RNA类别的泛化能力。

这项研究为解析非编码RNA互作网络提供了新范式，其预测结果可直接指导实验验证，加速疾病相关circRNA的发现。特别是模型识别的hsa-miR-181c-5^p
等miRNA在癌症中已知的调控作用，暗示这些CMI可能成为新的治疗靶点。未来工作可整合单细胞测序数据，进一步提升模型在特定组织中的预测精度。