用于基于机器学习的结构建模的大规模冷冻电镜 RNA 基序数据集与基准

《Computational Biology and Chemistry》：A large-scale Cryo-EM RNA motif dataset and benchmark for machine learning-based structure modeling

　　

• 基序解析的冷冻电镜RNA数据集涵盖25个基序类别。• 自动化流程完成基序的分割、标注、验证与探索。• 3D CNN基准模型在盲测上实现了0.897的平衡准确率。引言核糖核酸（RNA）在细胞调控、病毒复制和基因表达中发挥着关键作用，同时还是许多病毒的主要遗传物质。因此，表征RNA的三维（3D）构象和分子相互作用对于理解RNA功能和推进治疗开发至关重要（Porter等，2017）。与许多蛋白质不同，RNA分子通常表现出显著的构象柔性，并通过分子内碱基配对、碱基堆积和长程相互作用形成复杂的三维结构。这些结构由反复出现的结构元件组成，如螺旋、茎环、内部环、凸起和连接区，它们共同定义了RNA的三级架构（Lu等，2015）。这些反复出现的结构元件通常被称为RNA结构基序，是RNA结构的保守构建模块（Leontis和Westhof，2001）。通过捕捉跨不同RNA分子反复出现的局部几何特征和相互作用模式，结构基序已成为RNA结构分析、分类和建模的基本单元。特别是，三维RNA基序被收录在精心整理的结构资源中，如RNA二级结构基序特征化数据库（CoSSMos）（Vanegas等，2012）或RNA基序3D图谱（Petrov等，2013），并被用作基于基序组装的RNA结构预测框架（包括VFold）（Xu等，2014）中的模块化组件。这类以基序为中心的方法在降低结构复杂性的同时，保留了RNA折叠和功能所依赖的关键几何和相互作用特征。冷冻电子显微镜（cryo-EM）的最新进展使得实验测定包含RNA的结构在广泛分辨率范围内成为可能。因此，冷冻电镜已成为对难以通过X射线晶体学或核磁共振波谱表征的RNA系统日益重要的结构信息来源（Ma等，2022）。实验冷冻电镜密度图提供了从体积数据直接推断RNA结构特征的机会，并推动了整合密度图与RNA结构建模的计算方法的开发。机器学习和深度学习方法在解释冷冻电镜密度图和构建原子模型方面展现出了日益增长的潜力。DeepTracer、ModelAngelo和Cryo2Struct等工具能够从实验密度图中推断原子级分子结构（Nakamura等，2023；Jamali等，2024；Li和Chen，2025）。然而，针对RNA的建模仍受限于缺乏大规模且一致标注的实验数据集，尤其是针对全长RNA（Zhang等，2024）。全长RNA在大小、序列、拓扑结构和构象状态方面差异巨大，使跨体系和分辨率的标准化表征和标注变得复杂。这种异质性限制了模型在不同RNA家族和实验条件下的泛化能力。RNA结构基序为应对这些挑战提供了一种自然的中间表征。将全长RNA结构分解为反复出现的基序，可产生局部化且结构可解释的训练样本，同时保留与折叠、分子识别和层级组装相关的特征。因此，基序级表征可以弥合原子结构模型与实验体积数据之间的鸿沟，使不同大小、序列和构象状态的RNA实现更加标准化的学习。图1展示了基序解析的密度区域如何分布在RNA结构中。基序级识别还可支持对冷冻电镜图谱的结构和功能解释。如果某个反复出现的基序已在RNA-蛋白复合物中被观察到，那么在新的密度图中识别几何相似的基序可能有助于定位候选蛋白结合区域，并将其与已知的RNA-蛋白相互作用模板进行比较（Cléry等，2013；Henzler-Wildman和Kern，2011）。由于基序可能在构象状态间保守或重排，追踪它们在不同冷冻电镜结构中的变化有助于区分稳定区和柔性区，表征环和连接区的重排，并识别RNA折叠或功能转变（Thapar等，2013）。RNA基序数据库和分类方法通常基于序列、二级结构或原子坐标进行操作，而非实验密度。相反，冷冻电镜分割和建模方法通常针对完整图谱、分子链或残基级特征进行操作，而非产生反复出现的RNA基序的标准化样本。现有的冷冻电镜数据库和基准数据集也没有将精细的RNA基序标签与局部实验密度、对应原子模型和体素级结构注释配对。这些区别在第二节中讨论，并在表1中总结。为弥补这一空白，我们引入了一个大规模、经过策划且源自实验的基序解析RNA冷冻电镜密度图数据集。该数据集包含超过10万个标注基序实例，涵盖四大基序家族中的25个精细基序类别：茎环、凸起、对称内部环和非对称内部环。这些基序家族是RNA结构的常见组件，在大小和局部几何方面表现出显著变化，使其适合作为基序级结构分析和机器学习的目标。基序实例在各结构类别和大小类别中的分布在补充表S1中总结。图2展示了从不同RNA结构中提取的代表性茎环基序。每个基序实例均从实验测定的冷冻电镜图中提取，与其对应的原子结构配对，并表示为标准化的3D体素网格。体素级标签源自RNA骨架、核糖和核苷碱基组的原子注释。这些标准化表征在不同RNA结构和实验分辨率间提供了一致的输入和标签，支持感知基序的机器学习方法的开发、评估和比较。我们使用既定的图谱-模型一致性指标评估提取的基序密度区域质量，包括基于互相关的拟合分数和原子级Q分数（Afonine和Terwilliger，2025；Pintilie等，2020）。我们进一步训练了一个用于粗粒度基序分类的基线3D卷积神经网络，以确定标准化密度表征是否包含可学习的、具有基序辨别力的结构信息。本研究的目的是建立并验证一个可重复的、基序解析的冷冻电镜RNA数据集及面向机器学习结构分析的基准。主要贡献如下：(i) 大规模实验来源的基序级冷冻电镜密度图集，涵盖25个精细基序类别；(ii) 用于基序定位、密度提取、归一化和体素级结构注释的自动化流程；(iii) 使用CCmask和原子级Q分数对基序级图谱-模型一致性的系统评估；以及(iv) 表明标准化基序密度表征包含可学习的、具有基序辨别力信息的基线3D CNN基准。这一资源共同支持RNA基序识别、密度解释和结构建模的计算方法。章节摘要相关工作现有的RNA基序资源、RNA基序识别方法、冷冻电镜分析工具和基准数据集为RNA结构建模提供了重要基础。然而，这些资源在输入数据、生物学范围、输出粒度和适用于实验冷冻电镜密度的监督学习方面存在显著差异。在此，我们将所提出的数据集与代表性资源和方法进行比较，以阐明所解决的空白。数据来源与基序定义该数据集整合了三种互补数据类型用于基序解析的RNA冷冻电镜分析：实验冷冻电镜密度图、对应的原子模型和策划的RNA二级结构基序注释。冷冻电镜密度图取自电子显微镜数据库（EMDB），对应的原子模型取自RCSB蛋白质数据库（RCSB PDB），基序定义取自2025年4月发布的RNA CoSSMos，该数据库收录了源自数据集组成与验证覆盖的RNA二级结构基序。所发布的数据集包含119,086个分割的RNA基序样本，涵盖25个精细CoSSMos基序类别。这些类别分为四大RNA二级结构基序家族：对称内部环、非对称内部环、茎环和凸起。完整的类别分布在补充表S1中报告。由于各类别分布不均，后续的验证和分类分析在解释时考虑了类别不平衡因素。局限性本研究存在若干局限。首先，基序级分割和图谱-模型验证受限于源冷冻电镜图的分辨率和质量以及已存档的原子模型。如补充表S3和S4所示，CCmask和Q分数值通常随图谱分辨率变差而降低，并在各基序类别间存在差异。低分辨率图谱，尤其是分辨率在10.0-34.0 ?范围内的图谱，提供的局部结构细节有限，因此降低了讨论本研究呈现了一个基序解析的冷冻电镜RNA数据集和基准，将实验密度图、对应的原子RNA结构、策划的基序注释和机器学习就绪的体积表征联系起来。通过将异质的含RNA冷冻电镜结构分解为局部化的基序级密度片段，该数据集为从实验密度中学习反复出现的RNA结构模式提供了标准化样本。这种以基序为中心的设计与CRediT作者贡献声明Chandramathi Murugadass：写作—审阅与编辑，写作—初稿，验证，软件，方法论，调查研究，数据策划。Hajira Rana：写作—初稿。Brent M. Znosko：写作—审阅与编辑。Jie Hou：写作—审阅与编辑，监督，方法论，经费获取，形式分析，概念化，数据策划，调查研究，软件。Dong Si：写作—审阅与编辑，写作—初稿，监督，软件，资源，方法论。资助本工作由授予J. Hou的国家卫生研究院资助项目1R15GM155891-01（D. Si获部分资助）以及授予D. Si的CSS研究生研究资助支持。利益冲突声明作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。致谢我们感谢数据分析与智能系统（DAIS）研究组全体成员以及Eugene Cheung对本文手稿的持续支持和建议。Chandramathi Murugadass | Hajira Rana | Brent M. Znosko | Jie Hou | Dong Si