《RNA Biology》：HyLnc: a hybrid deep learning and feature-based approach for long non-coding RNA prediction
编辑推荐：
长链非编码RNA（lncRNA）在基因调控、发育与疾病中发挥重要作用，但从转录组数据中准确识别lncRNA仍是主要计算挑战。现有方法常仅依赖手工序列特征或深度学习方法，各自在捕捉RNA序列全部复杂性方面存在局限。研究人员提出HyLnc，一种整合基于transf
长链非编码RNA（lncRNA）在基因调控、发育与疾病中发挥重要作用，但从转录组数据中准确识别lncRNA仍是主要计算挑战。现有方法常仅依赖手工序列特征或深度学习方法，各自在捕捉RNA序列全部复杂性方面存在局限。研究人员提出HyLnc，一种整合基于transformer的上下文嵌入与具有生物学意义的序列特征的计算框架，用于改进lncRNA预测。研究人员首先使用掩码语言建模策略在大型后生动物RNA序列语料上预训练自定义BERT（Bidirectional Encoder Representations from Transformers）模型，以学习上下文核苷酸依赖关系；随后在策展的lncRNA与蛋白编码转录本数据集上微调模型，并提取256维深度序列嵌入。并行计算348个手工特征，包括ORF（开放阅读框）特征、UTR（非翻译区）属性、核苷酸组成与Fickett分数。研究人员采用多阶段特征选择得到优化混合特征集，评估多种机器学习分类器，RF（Random Forest，随机森林）模型性能最佳。所提框架在独立验证数据集上准确率达91.30%、F1-score为91.23%、MCC（Matthews correlation coefficient）为82.60，优于若干现有lncRNA预测工具。因此，HyLnc表明，整合深度上下文表示与生物学可解释特征可增强lncRNA预测，并为大规模转录组注释及其他基于序列的预测提供稳健可扩展方案。
研究背景方面，高通量测序揭示真核基因组转录出大量不编码蛋白的RNA，其中长链非编码RNA（lncRNA，long non-coding RNA）通常长于200核苷酸且缺乏蛋白编码潜能，参与转录调控、染色质重塑、表观遗传调控与转录后控制。实验方法如核糖体图谱、质谱与功能验证可靠但费力、昂贵且难用于转录组规模，因此计算识别lncRNA不可或缺。早期方法依赖ORF长度、密码子使用偏倚、核苷酸组成与进化保守性等手工特征，性能受限于人工设计特征；纯深度学习方法可自动学习层次表示，但常缺乏ORF或可翻译性等生物学可解释信息。已有混合框架如BioDeepFuse、LncRNA-BERT存在通用预训练、手工特征少或缺乏系统特征优化的问题。该论文发表于《RNA Biology》，研究人员开展HyLnc框架，结论是整合RNA特异BERT上下文嵌入与ORF、UTR、组成、Fickett等手工特征并经多阶段选择后，RF分类器在独立验证集达准确率91.30%、F1-score 91.23%、MCC 82.60，优于CPC2、PLEK、lncRNA_Mdeep、NCResNet、LGC、IRSOM、lncRNA-BERT等工具，且应用于阿尔茨海默病（AD）、帕金森病（PD）、肌萎缩侧索硬化（ALS）RNA-Seq数据可发现疾病相关新lncRNA候选，具有重要意义。
关键技术方法上，样本来自GENCODE、RefSeq、RNAcentral等公开库；预训练用428823条后生动物RNA序列，下游用CD-HIT以80%identity去冗余后得到14455条lncRNA与13876条蛋白编码序列。自定义BERT架构加入CNN核苷酸嵌入、正弦位置编码、4000核苷酸分块与块级聚合，掩码语言建模预训练50轮，微调100轮，提取256维嵌入；并行算348个手工特征；用相关性、互信息、LASSO回归做多阶段特征选择；训练DT、kNN、RF、LGB、XGB并10折交叉验证；独立验证集5000 lncRNA加5000蛋白编码序列来自Ensembl；疾病分析用GEO的GSE213610、GSE181029、GSE124439，经STAR比对、StringTie组装、gffcompare筛u/x/i类、blastx与blastn过滤后由HyLnc分类。
INTRODUCTION部分，研究人员由文献脉络说明lncRNA识别难点与混合模型动机，指出已有方法要么纯手工要么纯深度学习，HyLnc以RNA特异BERT加系统特征选择填补空白。METHODS部分，Dataset curation and pre-processing中，研究人员从公共库建语料与标签集并去冗余；Custom BERT-based architecture and pre-training中，用CNN嵌入、正弦位置编码、4头注意力、0.25 dropout、4000核苷酸分块聚合、15%掩码、Adam优化预训练；Fine-tuning of the pre-trained model中，用标签集微调100轮得到任务适配嵌入；Feature extraction中，提取256维BERT嵌入与348个ORF、UTR、组成、Fickett手工特征，共604维；Feature selection strategy中，相关系数大于0.8去冗余，互信息排序，LASSO（α=1×10-7）留非零特征；Training, validation and benchmarking中，80:20划分、随机种子5、10折调参，独立集5000对5000比对七种工具；Comparative sequence feature analysis of method-specific predictions中，用Mann-Whitney U与Benjamini-Hochberg FDR比较HyLnc独有与基准独有转录本特征分布；Prediction of neurodegenerative disorder specific lncRNAs中，三套GEO数据经质控、STAR、StringTie、gffcompare、TPM过滤、blastx、blastn后用HyLnc预测。
RESULTS部分，Training performance of the custom BERT-based model architecture中，预训练与微调损失稳定下降、无过拟合，证明迁移表示有效；Feature extraction and contribution of hybrid representations中，604特征由256深度学习加348手工组成，混合表示兼顾上下文与可解释性；Effect of different feature sets on prediction performance中，Feature set 1（ORF+Seq+3' UTR+5' UTR+BERT）RF最优，Feature set 5仅Seq+BERT降至80%，说明ORF与UTR不可省，5' UTR比3' UTR更重要；Classifier comparison and model selection中，RF各特征集均最优，10折交叉验证稳定，选RF为最终分类器；Benchmarking against existing lncRNA prediction tools中，HyLnc准确率91.30%、MCC 82.60、灵敏度90.56%、特异度92.04%均领先，lncRNA-BERT的F1-score 91.89%略高但HyLnc平衡性更好；Comparative sequence feature analysis of method-specific predictions中，HyLnc独有转录本具多样序列属性组合，基准独有转录本在HyLnc特征空间内呈不同分布，并非模型漏掉特征；Prediction of neurodegenerative disorder specific lncRNAs中，AD、PD、ALS数据集得到超过200核苷酸、GC含量43.79%至55.76%的高置信组织特异新lncRNA候选，PD终末分化神经元未获候选。
DISCUSSION部分，研究人员总结混合策略优于单一路线的原因：BERT捕获长程依赖但可解释弱，手工ORF、UTR、Fickett提供编码潜能信号，RF集成处理高维非线性且不过拟合；HyLnc在灵敏与特异间平衡，利于转录组规模发现；神经退行数据应用说明框架可支持疾病lncRNA发掘；方法间互补预测不表示HyLnc缺失特征，而是序列特征空间覆盖广。
CONCLUSION部分翻译：本研究研究人员提出HyLnc，一种通过整合基于transformer的序列嵌入与生物学有意义特征来准确识别长链非编码RNA的混合计算框架。该方法结合自定义BERT模型学习的深度上下文表示，以及源自ORF特征、非翻译区与区域核苷酸组成的手工描述符。结果表明，该混合策略较单一特征类型显著提升预测性能；深度学习与生物学特征提供互补信息，使lncRNA与蛋白编码转录本区分更有效。在评估的分类器中，RF持续最优，凸显其在高维混合特征空间的鲁棒性。与现有lncRNA预测工具基准比较中，HyLnc准确率、灵敏度与MCC最高且灵敏特异平衡良好，仅lncRNA-BERT的F1-score略优。该框架为lncRNA识别提供稳健可扩展方案，可扩展到其他基于序列的预测，促进转录组注释与非编码RNA功能图景理解。
