**标题翻译：** 基于大语言模型的核糖开关-配体结合亲和力预测（数据有限条件下）

《New Biotechnology》：LLM-guided prediction of riboswitch–ligand binding affinity under data-limited conditions

　　

• 一种神经符号模型可在有限数据条件下预测核糖开关-配体结合亲和力。
• 大语言模型嵌入可捕获核糖开关序列、结构及配体信息。
• 关于RNA序列、结构和配体性质的生化规则为模型提供信息支持。
• 主动学习可减少对核糖开关-配体亲和力的系统性高估。
• 该模型在亲和力回归和结合物筛选中优于先前模型。

**论文解读文章：**

**一、研究背景与问题提出**
核糖核酸（RNA）在转录和翻译等细胞功能中发挥关键作用。核糖开关（riboswitch）是一类重要的调节性RNA元件，通过结合特定小分子（配体）调控基因表达，具有作为抗菌药物靶点、环境生物传感器和合成生物学基因线路分子传感器的广阔应用前景。核糖开关由适配体（aptamer）和表达平台（expression platform）两部分组成，适配体负责结合配体，表达平台在配体结合后调控基因表达。目前已鉴定出超过55类核糖开关，可识别维生素、离子、氨基酸等不同代谢物。然而，并非所有RNA-配体相互作用都能产生生物学相关或功能稳定的调节效果，一个理想的核糖开关-配体组合需要具备高结合亲和力、结构兼容性以及构象变化能力。现有实验方法受成本和通量限制，计算预测方法如RSAPred在平均绝对误差（mean absolute error, MAE）为0.66时存在系统性偏向极低解离常数（dissociation constant, Kd）的问题，BioLLMNet虽将MAE改善至0.5236，但现有方法未明确解决在数据有限条件下如何联合表征核糖开关序列、二级结构、配体身份和生化先验知识的问题。公开数据集仅包含数百个数据点，对监督学习方法构成根本性挑战。基于此，研究人员提出了神经符号预测框架（neuro-symbolic prediction framework），旨在结合神经网络表示与显式规则化领域知识，实现在有限标注数据下的准确预测。该框架整合三方面策略：多层感知机（multilayer perceptron, MLP）结合回顾性主动学习、大语言模型（large language model, LLM）嵌入以及专家推导的生化规则。研究人员假设，当LLM派生的序列、二级结构和配体上下文表示与显式生化先验和不确定性感知采样相结合时，核糖开关-配体相互作用可在稀疏数据条件下得到更有效的建模。该研究的实际应用意义在于抗菌药物发现、合成基因控制和环境生物传感等场景中，通过预测亲和力优先筛选候选核糖开关-配体对，以减少昂贵的实验验证。
**二、研究内容概述**
研究人员构建了一个包含核糖开关名称、序列、点括号图注以及配体名称和SMILES表示的数据集，从Ribocentre-switch、PDBbind+和R-SIM中手动收集了414个具有明确Kd值的数据点。为融合多模态特征，研究人员使用OpenAI的预训练嵌入模型“text-embedding-3-large”将文本输入映射为3072维向量，同时采用GPT-4.5推导并经专家审核的12条生化规则编码为12维规则向量。两种表示分别经可学习投影层映射为256维向量后连接成512维输入，由MLP集成模型预测经过最小-最大对数缩放的pKd值。训练采用五模型集成的回顾性主动采样策略，以预测标准差衡量不确定性并优先选择信息量高的数据点。模型在87类配体、278个多序列数据点上进行主动学习训练，并保留136个单序列数据点用于评估模型在配体不重叠的稀疏数据条件下的泛化性能。
**三、主要技术方法**
研究涉及的关键技术方法包括：数据来源于公共数据库的手动收集（Ribocentre-switch数据库[2025年3月15日访问]、PDBbind+ 2024版和R-SIM 2版）；DSSR软件（版本2.4.5）转换RNA二级结构为点括号图注；LLM嵌入表示（OpenAI text-embedding-3-large，生成3072维嵌入）；基于LLM的规则推导与专家审核（12条生化规则）；五模型集成MLP架构的主动学习训练（以标准偏差估计不确定性的回顾性采样）；Kd值的最小-最大对数缩放预处理；采用PyTorch 1.10.0（Python 3.9，CUDA 11.3）实现模型训练与推理。
**四、研究结果**
**回归性能：**在训练集上模型取得MAE为0.224、R2为0.780的表现，表明预测与实验Kd值高度相关。测试集MAE为0.462，优于RSAPred在同一测试集上的0.541（其公布的全RNA亚型MAE为0.66）。这表明模型提高了预测精度，但有限训练数据仍留下了改进空间。
**分类性能：**按Kd≤1 μM分类为强结合（True）、Kd>1 μM为弱结合（False），模型在第四轮主动学习迭代中达到0.852的分类准确率，显著高于RSAPred的0.667；模型假阳性率（false positive rate, FPR）为0.200，远低于RSAPred的0.636；F1分数为0.882，优于RSAPred的0.757；ROC-AUC达0.959，展示了强判别能力。较低的FPR对筛选应用特别有利，因为它表明强结合的错误预测更少，有效缓解了RSAPred系统性偏向低Kd值的问题。
**与其他基线模型的基准比较：**在同一数据集上，模型回归MAE为0.462，低于BioLLMNet的0.567；分类准确率在不同评估设置下比BioLLMNet提高13%至24%。五次随机种子重复训练得到平均MAE为0.462±0.03、准确率为0.833±0.02、F1为0.864±0.03，显示了良好的稳健性。与RLaffinity、DeepRSMA相比，模型在假阳性率方面具有明显优势，尽管由于数据集和评估协议不同，这些比较仅作为背景参考而非直接统计对比。该方法的优势不仅在于预测精度，更在于其表示方式更适合现有数据的稀疏性、异质性和生化约束特性。
**主动采样有效性：**在全部四个采样迭代中，主动采样均优于随机采样基线。最后一轮迭代中主动采样准确率为0.852，随机采样为0.815，表明不确定性引导的数据选择能可靠识别有信息量的训练样本。
**消融研究：**仅用嵌入特征时测试MAE（0.487）低于仅用规则（0.522），但两者分类准确率相同（0.741），说明嵌入特征单独不足以保证结合强度分类的鲁棒性。规则与嵌入结合时MAE改善至0.480、准确率提升至0.815，表明两种特征互补：嵌入提供灵活连续表示，规则贡献生化先验知识。加入主动采样后进一步改进（MAE=0.462、准确率=0.852），说明不确定性感知采样在特征整合之外还能提升泛化能力。
**配体不重叠的单序列子集评估：**在136个单序列配体数据点上，结合规则与嵌入特征的主动采样变体取得最低MAE为0.862，优于所有随机采样变体，也显著优于RSAPred的1.11。即使在消融设置内部，结合特征类型也始终优于单独使用任意一种，主动采样提供额外增益。这证明神经符号框架在稀疏、不确定的数据条件下具有更强的泛化能力，改进归因于LLM嵌入、生化规则和不确定性感知采样的组合。
**五、讨论与结论总结**
讨论部分指出，核糖开关-配体预测的核心挑战是数据稀疏和不平衡导致通用学习表示难以覆盖完整亲和力谱，RSAPred预测集中于极低Kd值正是这种分布偏差的体现。主动学习能够优先从高Kd区域选取高不确定性样本，重新平衡训练集并缓解零Kd值倾向，产生更校准的估计。LLM在小型数据环境中尤为有效，文本表示比固定格式输入更灵活，编码了RNA序列与二级结构的生化约束，其在框架中的价值不仅是特征提取器，更是能够对齐RNA序列、二级结构和配体信息的表示模型。结果的生物学意义涵盖抗菌靶点、合成基因控制和生物传感等领域，该框架可作为早期候选优先级排序工具，减少需要实验验证的核糖开关-配体对数量，在数据有限场景中尤为有用。消融研究结果澄清了组合表示的互补作用：序列与二级结构描述符捕获RNA稳定性、折叠和适配体组织的广泛特征，配体描述符则反映刚性、堆积势、极性和氢键能力，嵌入提供灵活表示而规则保持可解释的生化信息。当前评估的主要局限是基准集中于多序列子集，对未见过配体支架和核糖开关家族的泛化能力尚未明确建立，未来工作应评估支架不重叠和家族不重叠设置。此外，当前框架主要关注结合亲和力，这是核糖开关功能的必要条件但非充分条件。未来方向包括：预测功能输出（如调控幅度、背景活性、响应动力学和特异性）；构建条件生成核糖开关序列的反向设计框架；整合更丰富的生物物理特征（如RNA三维结构描述符、共转录折叠信号、配体三维嵌入和对接交互指纹）；通过系统审计LLM建议规则与模型归因来增强可解释性，并改进在不同实验条件（温度、pH、Mg2?浓度）下的不确定性校准。研究结论指出，所提出的神经符号框架整合了LLM嵌入、领域生化先验和回顾性不确定性采样，解决了学习信息丰富的核糖开关-配体相互作用表示和在有限标注数据下实现可靠预测这两大核心挑战。该框架通过优先排序候选配体-序列对、指导突变探索和支持高效实验验证，为核糖开关工程提供了实用价值，并表明LLM引导的神经符号建模可有效应用于数据有限条件下的RNA合成生物学与生物技术，为未来扩展至功能预测和基因线路工程中核糖开关的反向设计奠定了基础。该论文发表于《New Biotechnology》。