UFold-X：一种用于长程RNA二级结构预测的增强型双分支动态U-Mamba模型

《Nucleic Acids Research》：UFold-X: an enhanced Dual & Dynamic U-Mamba model for long-range RNA secondary structure prediction

　　

RNA二级结构对于理解非编码RNA、核糖体RNA和病毒基因组的功能至关重要。然而，由于复杂的长程相互作用以及长RNA训练数据有限，长RNA结构的准确预测仍然具有挑战性。研究人员提出了UFold-X，一种双分支深度学习框架，其结合用于局部结构建模的卷积编码器与基于Mamba的视觉状态空间模块(VSSM)以捕捉长程依赖关系。动态门控机制根据序列长度自适应整合两个分支。UFold-X在包含长达5000个核苷酸RNA的多个基准数据集上接受评估。为严格评估泛化能力，研究人员引入了长RNA的跨族(cross-clan)基准。在该严格设定下，UFold-X取得与最先进经典方法相当的性能，同时在基于深度学习的方法中表现最佳。额外的跨家族(cross-family)和家族内评估进一步证明了稳健的可迁移性与有竞争力的预测性能。UFold-X还保持了优异的计算效率，平均每条序列仅需0.08秒。为评估生物学一致性，研究人员开发了基于SHAPE的反应活性预测变体UFold-X-R，以及综合指标杂交反应活性-配对分数(HRPS)。UFold-X-R与实验性icSHAPE数据高度一致，并在所有评估方法中取得最高HRPS。用户友好型网络服务器位于 https://ufold-x.ai4bread.com。

论文《UFold-X: an enhanced Dual & Dynamic U-Mamba model for long-range RNA secondary structure prediction》发表于《Nucleic Acids Research》。研究背景方面，RNA通过分子内碱基配对形成二级结构，其结构元件影响稳定性、定位与分子互作。实验方法如NMR、X射线晶体学通量低，化学探针（SHAPE、DMS、icSHAPE）受RNA质量与细胞条件影响，难以用于长转录本。基于热力学优化的经典算法（Mfold、ViennaRNA、RNAstructure）在短而保守的RNA上成功，但长程碱基对与假结等复杂拓扑处理困难；RNAfold等具有O(L³)时间复杂度，LinearFold虽降至线性复杂度但束搜索可能丢失真最小自由能结构。基于深度学习的模型多训练于短序列，对长RNA（超过600 nt）泛化有限。长RNA包括lncRNA、circRNA、病毒基因组与长UTR，RNAcentral中超60%注释RNA超过该阈值，其结构参与核输出、稳定性、RNA-蛋白互作与亚细胞定位，因此亟需可扩展且生物学可解释的预测框架。

为开展研究，研究人员使用的主要关键技术方法如下：数据上来自RNAstralign、ArchiveII、从PDB经RNApdbee 2.0提取的RCSB、RNAsolo2的BGSU与Rfam子集，以及RNA Mapping Database(RMDB)的SHAPE反应活性数据；输入将RNA序列经one-hot后做自Kronecker积得到17通道伪图像张量I∈R^17×L×L，其中16通道为碱基组合、第17通道为隐含碱基配对势；模型采用双分支编码-解码结构，局部分支为全卷积U-Net式骨干，全局分支为基于Mamba的视觉状态空间模块(VSSM)与二维选择性扫描(SS2D)，并以动态门控按长度融合；评估上引入跨家族与更严格的跨族(cross-clan)划分，并用UFold-X-R做每核苷酸SHAPE反应活性回归，提出杂交反应活性-配对分数(HRPS)综合评级。

研究结果如下。

Overview of the UFold-X framework：研究人员在UFold图像到图像翻译架构上扩展双分支与动态门控，局部分支检测茎与发夹，全局分支用VSSM捕捉长距碱基配对，输出接触概率矩阵后经后处理得到合法二级结构。

Datasets：研究人员将RNAstralign划分为600 nt内与600–1800 nt子集，并构建RCSB1800、RCSB4000（2800–5000 nt）、BGSU与Rfam的1800/5000 nt子集，ArchiveII用于与既往工作比较，从而形成短、中、超长RNA评测体系。

The RNA Mapping Database chemical reactivity dataset：研究人员用RMDB中101–1088 nt非冗余SHAPE数据以80:20训练UFold-X-R，学习序列上下文与生化反应活性的定量关系。

Redundancy reduction and data leakage prevention：研究人员在跨数据集时用CD-HIT按90%序列同一性去冗余，并依Rfam做跨家族与跨族划分，跨族设定用于评估同源无关泛化。

Data preprocessing：研究人员将序列转为17通道L×L伪图像，自Kronecker表示显式编码16种碱基配对组合，连续配对评分缓解稀疏性，支持变长输入且无需填充。

Model overview：研究人员采用全卷积U形编解码器，卷积具空间等变性与跳跃连接，适合二维接触图预测。

Capturing long-range dependencies via VSSM：研究人员将Mamba扩展为Visual Mamba，用VSS与SS2D在高度与宽度方向更新隐藏态H∈R^C×H×W，以线性复杂度建模二维长程依赖。

Dynamic gating mechanism for range-aware feature fusion：研究人员比较长度二值切换（≤600 nt用局部，>600 nt用全局）与线性插值，默认采用二值策略，使模型随序列长度调节局部与全局贡献。

UFold-X-R: SHAPE-guided reactivity prediction framework：研究人员保留UFold-X骨干，将L×L配对头改为每核苷酸反应活性头，在短RNA SHAPE数据上训练，对长RNA直接推断伪反应活性，与真值Spearman相关达0.89。

Hybrid Reactivity-Pairing Score：研究人员定义HRPS=α×Spearman(p,r)+β×F1+γ×F1_mid+δ×F1_long，其中中程为100<|i?j|≤500、长程为|i?j|>500，从而同时衡量反应活性一致性与整体、中程、长程配对精度。

讨论与结论部分总结：研究人员指出，现有方法要么无法扩展到长序列，要么难以刻画长RNA结构复杂性；UFold-X以局部卷积与全局VSSM互补、动态门控随长度适配，在跨族长RNA基准中与经典能量法相当且为深度学习方法中最优，在跨家族与家族内设定中保持可迁移性。UFold-X-R与icSHAPE实验一致，HRPS证明结构精度与生化可解释性兼得，平均0.080秒/条序列体现效率。研究结论可译为：UFold-X是一种具有生物学洞察且可扩展的RNA二级结构预测框架，其双分支与动态U-Mamba设计能有效建模局部与长程相互作用；在最长5000 nt的基准上，该方法在严格跨族设定下取得与最先进经典方法相当的性能，并在基于深度学习的方法中居首。附加的UFold-X-R与HRPS进一步表明，预测结构在实验反应活性上具备一致性，使UFold-X成为长RNA结构预测中兼具准确性、效率与生物学可靠性的工具。