哺乳动物细胞信使RNA翻译效率预测：基于深度卷积神经网络的全序列特征解析

来自多机构的研究团队通过整合3819个核糖体分析数据集，构建了涵盖140余种人类和小鼠细胞类型的翻译效率(TE)图谱。团队开发了名为RiboNN的多任务深度卷积神经网络模型，突破性地实现从mRNA全序列特征预测跨细胞类型的TE值。该研究首次系统揭示二核苷酸/三核苷酸(含密码子)的空间排布如何通过核糖体行进性(tRNA丰度等机制调控翻译输出，为RNA治疗(如碱基修饰mRNA)的翻译行为预测和人类5'UTR进化选择压力解析提供新工具，同时阐明mRNA翻译、稳定性与定位的协同调控网络。

　　

在哺乳动物细胞中，信使RNA(mRNA)序列如何调控翻译效率(TE)仍是未解之谜。科学家们构建了迄今最全面的TE图谱——涵盖3819个核糖体分析数据集和140多种人类/小鼠细胞类型。研究团队开发了名为RiboNN的尖端多任务深度卷积神经网络，与传统机器学习模型相比，该模型不仅能解析5'非翻译区(UTR)序列，更能捕捉全mRNA序列中二核苷酸/三核苷酸(包括密码子)的空间分布特征，揭示核糖体行进性和转运RNA(tRNA)丰度等分子机制如何影响蛋白质翻译产出。

这个智能模型展现出多重应用价值：既能预测经过碱基修饰的治疗性RNA的翻译行为，又能解释人类5'UTR在进化过程中承受的选择压力。更有趣的是，RiboNN还发现了mRNA调控的"通用语言"，凸显了哺乳动物体内mRNA翻译、稳定性和亚细胞定位三者间精妙的互联关系。这些发现为RNA治疗(如mRNA疫苗)的序列优化和疾病相关翻译异常研究提供了全新视角。