CABA-Bind：用于消除偏差的RNA-配体结合预测的混杂因素对齐背门调整方法

《Computational Biology and Chemistry》：CABA-Bind: Confounder-Aligned Backdoor Adjustment for Debiased RNA-Ligand Binding Prediction

　　•CABA-Bind模型将RNA先验趋势视为潜在混杂因素，以此消除RNA-配体结合预测中的偏差。•RNA混杂因子对齐与后门调整方法可减少对RNA先验捷径的依赖，提升跨分布鲁棒性。•在Robin和Biosensor数据集上的实验表明，该模型具备竞争力强的预测能力、更低的先验依赖性以及更高的结合特异性。

引言
RNA-配体分子识别在针对RNA的药物发现、高通量虚拟筛选以及候选小分子筛选中具有重要意义（Xiao等人，2023；Morishita和Nakamura，2024）。尽管传统上小分子药物发现主要聚焦于蛋白质靶点，但许多与疾病相关的蛋白质缺乏可供小分子有效作用的明确结合位点（Xie等人，2023）。随着转录组学的进展，大量非编码RNA被确认为基因表达和疾病进程的重要调控因子（George等人，2024；Chen和Kim，2024）。RNA分子可通过二级结构、三维构象以及局部结合位点与小分子发生相互作用，因此成为极具潜力的治疗靶点（Kovachka等人，2024；Veenbaas等人，2025；Kagaya等人，2025）。

然而，RNA-配体结合预测仍然面临诸多挑战，因为RNA分子具有动态构象、复杂的折叠模式，且其结合位点较浅，高度依赖于特定的构象状态（Cao等人，2024；Gao等人，2025；Kelly和Strobel，2025）。此外，结合实验测量结果与相互作用注释可能会因实验条件及化学环境的不同而有所差异，这进一步增加了RNA-配体数据集中的噪声与异质性（?nal和Kalayc?o?lu，2026）。虽然分子对接、分子动力学模拟以及基于结构的虚拟筛选能够为配体-靶标识别提供机制层面的见解，但目前通过实验获得的RNA及其与配体形成的复合物结构仍十分有限，这限制了基于结构的方法的大规模应用（Taghavi等人，2025；Ansari等人，2025；Nithin等人，2024）。因此，那些能够从预训练表示中提取与结构相关信息的序列建模方法，对于针对RNA的小分子筛选具有实际应用价值（Bae和Nam，2026；Krishnan等人，2024）。

近年来，深度学习显著推动了药物-靶标以及RNA-小分子相互作用预测的发展。对于蛋白质靶点，DeepDTA、DeepConv-DTI、GraphDTA等模型已证明，基于序列的编码器、卷积网络以及图神经网络能够有效地学习药物和靶标的表示特征，用于亲和力预测（?ztürk等人，2018；Lee等人，2019；Nguyen等人，2021）。后续研究进一步引入了集成学习、注意力机制以及分子图表示方法，以增强特征融合与相互作用建模能力（Keyvanpour等人，2024；Das等人，2025）。相关的分子建模研究也采用了深度学习与基于图的方法，用于亲和力预测以及分子性质建模（Liu等人，2026；Yang等人，2024）。在RNA-配体领域，早期的方法如RSAPred主要依赖RNA序列组成和小分子的性质（Krishnan等人，2024），而近期的模型则引入了几何深度学习、多视图结构融合、RNA语言模型、图注意力网络以及多尺度建模技术，以此提升RNA-配体表示学习能力与结合特异性预测精度（Xia等人，2025a；Chen等人，2025；Wu等人，2025；Sun等人，2025a；Sun等人，2025b；Zhu等人，2025；Fei等人，2026；Xia等人，2025b；Yin等人，2025；Zou等人，2025）。最近，DLRNA-BERTa等框架进一步证明了结合RNA语言模型与分子语言模型在结合亲和力预测方面的强大作用（Lobascio等人，2025）。尽管取得了这些进展，现有方法大多仅关注表示学习与基准测试性能，很少探讨模型预测结果究竟反映的是依赖于配体的分子识别机制，还是数据集特有的快捷关联。

RNA先验偏差指的是在基准数据集中，某些RNA特征（如序列模式或与RNA家族相关的特征）出现非均匀的过度代表现象，而这些特征会在统计上与结合标签形成关联（Wen等人，2026）。近期研究显示，RNA-小分子相互作用数据集中可能存在一些快捷信号或偏差模式，使得预测模型能够利用数据集特有的相关性，而非真正的分子识别机制。这类偏差可能导致模型依赖RNA序列与标签之间的关联，而非真正的RNA-配体匹配机制，进而影响其在面对未见过的RNA、结构差异较大的配体或难以识别的“诱饵分子”时的泛化能力。在分子识别层面，这意味着模型可能会依赖序列驱动的线索，比如特定的RNA基序、富含GC的区域或与RNA家族相关的标签倾向，而非评估配体骨架是否与当地的RNA结合环境相兼容。类似的问题也出现在更广泛的药物发现模型中，其成因包括数据规模有限、样本重复、数据泄漏以及分布偏移等（Van Tilborg等人，2024；Graber等人，2025）。因此，这个问题不仅属于表示学习范畴，同时也属于偏差控制问题。从因果视角来看，RNA先验偏差可被视为一种潜在因素，它既会影响RNA的表示结果，也会影响预测输出。因果机器学习与因果表示学习为提升模型在非分布场景下的泛化能力提供了有效思路（Jiao等人，2024；Weinberg等人，2025），而后门调整则提供了一种正式的策略，用于降低混杂效应的影响（Israel等人，2023）。

为了解决这些问题，我们提出了CABA-Bind，这是一种用于RNA-配体结合预测的因果去偏框架。CABA-Bind分别使用RNA-FM和ChemBERTa对RNA序列与配体的SMILES字符串进行编码（Chen等人，2022；Chithrananda等人，2020）。它通过K均值聚类从RNA表示中构建混杂因子中心，以此表征训练数据中反复出现的RNA先验模式。基于这些中心，该框架引入了RNA混杂因子对齐方法，生成能够识别混杂因子的RNA表示，同时通过后门调整后的预测方法，降低RNA序列驱动的偏差对最终结合概率的影响。与传统表示学习模型不同，CABA-Bind能够明确建模反复出现的RNA先验模式，并针对这些先验条件调整预测结果。

除了基准测试评估之外，我们还通过先验依赖性分析、消融研究、难处理“诱饵分子”排序以及基于结构的解释方法对CABA-Bind进行了进一步评估（Liu等人，2026；Glen等人，2025；Darai等人，2025）。难处理“诱饵分子”评估用于检验模型在固定RNA条件下，能否区分真正的结合分子与结构相似但无法结合的配体；而基于结构的解释方法则用于判断模型标记出的RNA区域是否与潜在的三维相互作用区域一致，从而将计算预测结果与可解释的结合模式及配体-靶标识别规律联系起来（Panei等人，2024）。

本研究的主要贡献如下：
1. 我们指出RNA先验偏差是RNA-配体结合预测中一个重要的可靠性问题，并阐述了其在分子层面的后果：模型可能会依赖序列驱动的线索，而非依赖于配体的识别特征。
2. 我们提出了CABA-Bind框架，该框架通过RNA混杂因子对齐与后门调整相结合的方式，降低模型对RNA先验捷径的依赖。
3. 我们通过多种严格的 数据划分方式、先验依赖性指标、消融研究、难处理“诱饵分子”排序以及基于结构的解释方法，系统地评估了CABA-Bind的性能，证明了其在预测能力、去偏效果、结合特异性识别能力以及配体特异性可解释性方面的优势。

数据集准备与预处理
CABA-Bind是在两个公开可用的RNA-配体相互作用数据集——Robin和Biosensor上开发并经过测试的（Yazdani等人，2023；Townshend等人，2022）。这两个数据集提供了经过实验验证的RNA-配体相互作用对以及非结合对，可用于二分类任务。RNA序列通过RNA-FM处理，转化为核苷酸级别的表示形式。每个RNA序列都被编码为一个640维的上下文嵌入矩阵，其中每个核苷酸位置都对应……

任务定义与数据集
在本研究中，RNA-配体结合预测被定义为一种二分类任务。给定一个RNA序列和一个小分子配体，CABA-Bind会预测二者发生相互作用的概率。标签值为1表示经过实验验证的RNA-配体结合对，而标签值0则表示非结合对。为了评估CABA-Bind的预测能力与泛化能力，我们使用了两个公开可用的RNA-配体相互作用数据集——Robin和Biosensor（Yazdani等人……）

讨论
开发CABA-Bind的目的是为了减少RNA-配体结合预测模型对RNA序列与标签之间快捷关联的过度依赖，同时保留具有生物学意义的与RNA相关的信息。通过多种不同的数据划分策略进行的全面评估表明，明确建模反复出现的RNA先验趋势，能够提升预测的稳健性，尤其是在面对未见过的RNA靶点、新型配体或同时出现分布偏移的复杂场景时。

结论
在本研究中，我们提出了CABA-Bind，这是一种基于混杂因子对齐的后门调整框架，用于消除RNA-配体结合预测中的偏差。该方法旨在解决RNA-配体建模中的一个关键可靠性问题：在存在偏差的数据集上训练得到的模型，可能会依赖序列驱动的先验快捷方式，而非依赖于配体本身的分子识别特征。为了解决这一问题，CABA-Bind整合了RNA-FM与ChemBERTa的表示方法，通过K均值聚类构建RNA先验混杂因子中心……

资金声明
本项工作得到了中国国家自然科学基金（项目编号52361145714、21673252）、中国北京市教育委员会（项目编号2019821001）、北京石油化工学院“攀登计划”基金（项目编号BIPTAAI-2021007）以及北京石油化工学院“致远计划”重点项目（项目编号2024003）的支持。

CRediT作者贡献说明
李云峰：写作——审阅与编辑。郭倩金：写作——审阅与编辑、监督、研究、资金获取。马甜甜：可视化。刘一佳：写作——审阅与编辑。袁俊：写作——审阅与编辑。刘天豪：写作——审阅与编辑。王晓青：写作——审阅与编辑、写作——初稿撰写、可视化、方法学、数据整理、概念构建。刘行宇：写作——审阅与编辑、数据整理。张志伟：写作——审阅与……

利益冲突声明
作者声明不存在任何可能影响研究结果的已知财务利益或个人关系。

利益冲突声明
作者声明不存在任何可能影响研究结果的已知财务利益或个人关系。

王晓青|刘行宇|张志伟|周茂源|马甜甜|刘一佳|袁俊|刘天豪|李云峰|郭倩金