基于人工智能的RNA亚细胞定位预测方法综合评述

《Briefings in Functional Genomics》：A comprehensive review on RNA subcellular localization prediction

RNA的亚细胞定位，包括长链非编码RNA（long non-coding RNAs）、信使RNA（messenger RNAs）、微小RNA（microRNAs）及其他小RNA，在决定其生物学功能方面起着关键作用。理解RNA定位有助于揭示基因表达在空间和时间精度上的调控过程。然而，传统的湿实验方法，如原位杂交（in situ hybridization），往往耗时、耗费资源且成本高昂。为克服这些挑战，基于人工智能（artificial intelligence，AI）和机器学习（machine learning，ML）的计算方法已成为强大的替代方案，能够实现RNA亚细胞定位的大规模预测。本文全面综述了基于AI的RNA亚细胞定位预测方法的最新进展，涵盖多种RNA类型，并重点介绍了基于序列的方法、基于图像的方法以及结合两种数据类型的混合方法。研究人员强调了这些方法在加速RNA研究、揭示分子通路和指导靶向疾病治疗方面的潜力。此外，研究人员还批判性地讨论了AI/ML方法在RNA亚细胞定位中面临的挑战，如数据稀缺和缺乏基准数据集，以及应对这些挑战的机遇。本综述旨在为研究人员在RNA亚细胞定位及相关领域开发创新解决方案提供有价值的参考资源。

RNA亚细胞定位预测研究综述解读

一、研究背景与问题提出

RNA是细胞内重要的核酸分子，在基因表达调控、生化反应催化和遗传信息翻译等众多细胞过程中发挥关键作用。细胞内存在多种类型的RNA，包括信使RNA（messenger RNA，mRNA）、长链非编码RNA（long non-coding RNA，lncRNA）和微小RNA（microRNA，miRNA）等。RNA的亚细胞定位对其功能至关重要，mRNA在细胞内的不对称分布最早在海鞘胚胎中被发现，这一发现加深了人们对早期胚胎发育中细胞分化机制的理解。mRNA的定位依赖于三种主要机制：通过分子马达在细胞骨架上的直接运输、免受降解的保护以及伴随局部捕获的扩散。这些机制通过目的地特异性蛋白和衔接蛋白相互作用形成核糖核蛋白复合物来实现，而顺式作用信号主要位于mRNA序列的3′非翻译区（untranslated regions，UTRs）和5′端，这些区域常被称为"邮政编码"，包含与反式作用因子（主要是RNA结合蛋白，RNA-binding proteins，RBPs）相互作用的顺式调控元件。

lncRNA是长度超过200个核苷酸的非编码RNA分子，其亚细胞定位通过空间和时间控制调控基因表达，对细胞分化、极性维持、胚胎模式形成和应激适应等众多细胞与发育过程至关重要。lncRNA的异常定位与多种癌症、神经退行性疾病和炎症性疾病相关。miRNA等小RNA通常短于200个核苷酸，在转录后水平调控基因表达，其异常表达与癌症和COVID-19等疾病有关。RNA定位的紊乱与癌症、脊髓性肌萎缩、神经元功能障碍和发育障碍等疾病密切相关。

传统的湿实验方法如RNA荧光原位杂交（RNA fluorescent in situ hybridization，RNA-FISH）及其衍生技术（如smFISH、MERFISH、seqFISH+和GeoMx DSP）虽然能提供单个转录本的高分辨率图像，但耗时且劳动密集。高通量RNA测序方法如APEX-RIP、CeFra-seq和CLIP-seq也存在复杂度高、固有噪声和精度有限等缺陷。因此，开发更快速、经济且准确的计算方法成为迫切需求。

二、研究内容与主要结论

本文全面综述了基于AI/ML的RNA亚细胞定位预测方法的最新进展，涵盖mRNA、lncRNA和miRNA等多种RNA类型，重点介绍了基于序列的方法、基于图像的方法以及结合两种数据类型的混合方法。这些方法可分为三大类：基于序列的方法利用核苷酸序列作为输入；基于图像的方法依赖生物图像数据检测亚细胞区室；混合方法则结合生物图像和序列数据，通过发挥各自优势实现更高精度。综述还讨论了这些方法的原理、优势、局限性及其在RNA亚细胞定位预测中的应用，并探讨了当前面临的挑战和未来发展方向。

三、关键技术方法

研究人员综述了多种关键技术方法。在序列特征提取方面，常用的包括K-mer（长度为K的连续核苷酸子序列）、伪K元组核苷酸组成（Pseudo K-tuple Nucleotide Composition，PseKNC，结合K-mer与序列中不同位置K-mer间的距离或相关性）、伪电子-离子相互作用势（Pseudo Electron-Ion Interaction Potential，PseEIIP，将核苷酸的EIIP值与常规K元组核苷酸组成整合）、独热编码（one-hot encoding）等。特征选择方法包括二项分布、方差分析（Analysis of Variance，ANOVA）、增量特征选择（Incremental Feature Selection，IFS）、皮尔逊相关系数等。预测算法涵盖传统机器学习方法（如支持向量机、逻辑回归、随机森林、LightGBM、XGBoost等）和深度学习算法（如卷积神经网络（Convolutional Neural Network，CNN）、长短期记忆网络（Long Short-Term Memory，LSTM）、双向LSTM、图卷积网络（Graph Convolutional Network，GCN）、Transformer、BERT等），以及集成学习方法。数据不平衡问题通过合成少数类过采样技术（Synthetic Minority Over-sampling Technique，SMOTE）、随机过采样等方法解决。数据集来源包括RNALocate等公开数据库及多篇文献报道的独立数据集。

四、研究结果

基于序列的方法：综述总结了多种基于序列的RNA亚细胞定位预测方法。在特征方面，K-mer被广泛用于识别序列特征及其关联的RBPs，如Yuan等人利用长度为3、4和5的K-mer预测lncRNA亚细胞定位；Yan等人开发了RNATracker，是首批利用K-mer预测mRNA亚细胞定位的计算工具之一。PseKNC被应用于预测真核mRNA的五个亚细胞定位和lncRNA的亚细胞定位。PseEIIP被多个模型用于预测mRNA和lncRNA的亚细胞定位。在算法方面，传统机器学习方法如SVM、逻辑回归和随机森林被广泛使用，如Fu等人提出离散小波变换特征提取模型结合SVM预测lncRNA定位，Zuckerman和Ulitsky采用随机森林分类器在不同细胞系中训练和测试。深度学习方法的性能通常优于传统机器学习方法，如Zeng等人提出基于TextCNN的DeepLncLoc方法，Wang等人提出多尺度CNN结合多头自注意力架构的DM3Loc方法，Chen等人使用自注意力和全连接层预测miRNA定位。图架构方法将RNA序列转化为图问题，如Li等人将lncRNA序列转化为de Bruijn图后应用GCN提取高级特征，Deng等人利用基于余弦相似度构建边的GCN预测lncRNA定位，并将GCN与自编码器结合用于miRNA定位预测。针对多标签分类问题，研究者采用集成学习策略，如MulStack结合随机森林和深度学习算法，MRSLpred采用XGBoost和CNN的混合方法。

基于图像和混合方法：综述指出，基于图像的方法利用生物图像数据检测亚细胞区室，而混合方法结合生物图像和序列数据，通过融合算法实现更高精度。这些方法利用形态学特征、空间分布特征等图像特征，与序列特征互补，以克服单一数据类型的局限性。

五、挑战与展望

综述指出当前AI/ML方法在RNA亚细胞定位预测中面临的主要挑战包括数据稀缺和缺乏基准数据集。RNA定位数据获取成本高、耗时久，导致可用于训练的高质量标注数据有限；不同研究使用不同的数据集和评估指标，缺乏统一的基准使得方法间比较困难。此外，数据不平衡问题（某些亚细胞定位的样本远多于其他定位）也会影响模型性能。未来方向包括建立标准化的基准数据集、开发更有效的数据增强和过采样技术、利用大规模语言模型等新兴技术改进特征表示，以及开发更具可解释性的模型以揭示RNA定位的分子机制。

六、结论

RNA亚细胞定位预测是理解RNA生物学功能的关键环节，对于揭示基因表达调控机制、阐明疾病发病机理和指导靶向治疗具有重要意义。基于AI/ML的计算方法为RNA亚细胞定位预测提供了快速、经济且准确的替代方案。本文系统综述了基于序列、基于图像和混合方法的最新进展，涵盖了传统机器学习、深度学习、图神经网络等多种算法在不同RNA类型中的应用。尽管当前仍面临数据稀缺、缺乏基准和类别不平衡等挑战，但随着技术进步和数据积累，AI/ML方法在RNA亚细胞定位预测领域具有广阔的应用前景，有望加速RNA研究、揭示分子通路并指导靶向疾病治疗。