基于内切酶V与XRN-1协同检测及可解释深度学习模型解码A-to-I RNA编辑调控密码

《Cell Discovery》：Deciphering the regulatory code of RNA inosine through enzymatic precision mapping and an explainable deep learning model

　　

腺苷到肌苷（A-to-I）RNA编辑是最丰富的RNA修饰之一，参与多种关键生物学过程；然而肌苷的精确定位及其选择性编辑机制仍理解不全。整合高精度检测技术与深度学习模型可加速理解A-to-I编辑的选择性定位与功能内涵。为应对上述挑战，研究人员同时开发了基于内切酶V（EndoV）与XRN-1的RNA肌苷测序（REX-seq），一种高灵敏、高准确度的肌苷位点检测方法，以及肌苷深度残差增强注意力模型（InoDREAM），一种可解释的预测深度学习框架。REX-seq结合EndoV切割特异性与XRN-1外切酶活性，在实现全面A-to-I编辑组（editome）图谱的同时保持准确的基因表达定量。利用该方法，研究人员在HEK293T细胞中鉴定出590,249个高置信肌苷位点，包括84,645个新位点。基于REX-seq高置信A-to-I编辑位点，研究人员开发InoDREAM，其成功预测多个对A-to-I编辑转录本具有特异性结合亲和力的调控蛋白，同时识别与RNA编辑事件功能相关的疾病关联突变位点及顺式调控元件（cis-regulatory elements）。这些发现为RNA编辑的分子调控机制及其在疾病发生中的病理生理意义提供了新见解。

论文解读：解码RNA肌苷编辑的高精度检测与可解释深度学习框架

研究背景与立项依据

腺苷到肌苷（A-to-I，adenosine-to-inosine）RNA编辑由ADAR（adenosine deaminase acting on RNA）酶家族催化，是表观转录组（epitranscriptome）中最常见的转录后修饰之一。该过程通过腺苷脱氨形成肌苷，肌苷在反转录与翻译中被识别为鸟苷（G），从而引入A-to-G信号，广泛参与神经发育、免疫稳态、病毒防御及肿瘤发生。现有基于常规RNA-seq中A-to-G突变的识别策略难以区分DNA单核苷酸突变、测序错误与真实编辑；基于重复区比对误差进一步放大假阳性。已有化学标记（如ICE-seq）与EndoV富集策略虽具特异性，但常破坏原始定量比例、丢失表达谱信息，且受限于低丰度位点与复杂二级结构区域。与此同时，已有预测模型多依赖未充分实验验证的数据库，重算法性能而轻机制解释，难以揭示编辑位点的局部序列密码与顺式调控逻辑。因此，领域亟需一套兼顾单碱基分辨率、可定量、可保留表达信息，并能反推调控机制的技术与计算平台。

针对上述问题，研究人员在《Cell Discovery》发表研究，提出REX-seq与InoDREAM协同框架：以双酶级联反应实现高保真肌苷定位与表达并行捕获，并以可解释深度学习解码编辑位点选择性的序列决定因素、RNA结合蛋白（RBP，RNA-binding protein）识别模式与顺式调控元件分布。

主要关键技术方法

研究以HEK293T细胞为核心样本体系，并辅以人脑组织交叉验证及ADAR1缺失细胞系验证。实验端采用REX-seq：利用EndoV在肌苷下游第二位点特异性切割，产生5′单磷酸末端，再由5′→3′外切酶XRN-1降解下游片段，未切割的完整转录本与上游片段保留，从而在文库中同时呈现切割信号与全长表达信息。计算端构建InoDREAM：对高置信位点做one-hot编码，经带残差连接的卷积神经网络（CNN）、位置编码、双向长短期记忆网络（BiLSTM）与Transformer注意力机制输出编辑概率；并通过卷积滤波器激活、饱和突变与线性回归解析序列动机（motif）与五聚体调控方向。

研究结果

Strand-specific truncation in REX-seq mediated by EndoV and XRN-1

体外酶学验证确认EndoV特异切割肌苷、XRN-1仅降解5′单磷酸末端产物。REX-seq在两个重复中分别鉴定约42万与38万位点，共同位点21万余个；A-to-G占比逾99.3%，截断读段计数与表达定量均显示高重复性（r=0.94至0.99）。该方法在集群前50 nt仅有轻微5′偏移，下游编辑水平可可靠恢复，说明可在单碱基分辨率下同时做编辑识别与转录组定量。

REX-seq vs conventional methods for A-to-I RNA editing detection

在人脑样本中与Slic-seq、EndoVIPER-seq、ICE-seq并列比较，REX-seq检出位点数量更多（脑样本25万余个），在低频率编辑事件捕获上更敏感，重复共享率更高（35.6%）。与REDIportal数据库重叠率达84.2%，并发现84,645个新位点；新位点偏好分布于5′UTR与CDS，编辑水平偏低，98.3%在ADAR1敲除后显著降低，证实其为真实ADAR依赖编辑。部分新位点在RBFA剪接区与NECAB3编码区具功能含义。

InoDREAM accurately predicts inosine sites

在相同REX-seq训练数据下，InoDREAM的AUROC达0.965、AUPRC为0.964，优于EditPredict、ATTIC与PreAIS；在Alu、非Alu重复与非重复区域均保持稳健，且在跨方法外部验证中维持高泛化性。消融实验确认残差、注意力与长上下文模块均贡献性能，201 bp为精度与计算成本平衡点。

InoDREAM provides a protein-binding perspective for deciphering inosine functions

将首层卷积高激活序列转为位置权重矩阵并比对CIS-BP库，研究人员发现编辑位点邻近区域富集MSI1、PTBP1、FMR1、ANKHD1、SRSF7、SF3B4等RBP动机。siRNA敲低MSI1与PTBP1仅引起编辑水平边际变化，说明这些动机更多反映编辑后转录本与RBP互作的候选特征，而非单一上游因果开关。该部分表明A-to-I编辑可通过改变局部序列特征调控RNA-蛋白识别网络。

InoDREAM characterizes cis-elements governing inosine deposition

对编辑中心±100 nt做单核苷酸饱和突变，模型预测显示-10至+30 nt存在40 nt调控核心。-1、+1、-2位对预测概率最敏感；突变诱导的二级结构自由能改变与编辑概率扰动相关。ClinVar突变分析发现部分致病变异可显著改变肌苷沉积概率，如FLNA、TTC7A、BAG2、NDE1相关SNV，提示变异可经编辑调控维度参与疾病。

Characteristics of cis-elements regulating inosine deposition in the -10 nt to +30 nt region of inosine sites

线性回归量化五聚体效应，TAG偏置序列为增强子（enhancer），GG/AG偏置序列为沉默子（silencer）。增强子靠近编辑位点0与-2位，沉默子沿下游延伸；单增强子位点编辑水平偏高，单沉默子位点偏低。多元件共存时呈竞争平衡，而非简单叠加，说明肌苷沉积由局部顺式元件组合逻辑控制。

讨论与结论翻译

讨论指出，RNA编辑在不改变DNA的前提下重编码RNA信息，其精确定位对理解剪切、稳定性、翻译及疾病机制至关重要。REX-seq降低了传统方法对富集偏倚与假阳性SNP混淆的依赖，可同步输出编辑位点与表达矩阵；InoDREAM则把黑箱预测转化为可读序列规则，揭示ADAR靶向并非随机，而受紧邻编辑中心的顺式语法与RBP动机共同塑造。该平台为低丰度编辑事件的功能注释、疾病变异的编辑维度重注释及后续精准编辑工具设计提供了实验-计算闭环。

研究结论如下：研究人员开发了REX-seq与InoDREAM协同框架，以前切酶级联实现高置信A-to-I编辑组绘制，并在HEK293T细胞中鉴定近59万个位点与数万个新位点；可解释模型进一步解码了编辑位点的局部序列密码、RBP识别偏好与-10至+30 nt顺式调控元件，证明A-to-I编辑选择性受近端调控语法控制，并为疾病相关变异提供超越编码区注释的新功能视角。该工作建立了表观转录组学中“高精度检测-机制可解释预测”的一体化范式。

这篇解读已完成，接下来可以选择一个方向继续深化：

把REX-seq流程整理成方法学对比表

深入解析InoDREAM的注意力机制与可解释性

把REX-seq流程整理成方法学对比表

深入解析InoDREAM的注意力机制与可解释性