GEPMC-Loc：一种基于动态门控集成与多尺度卷积的RNA亚细胞定位预测框架

《BMC Bioinformatics》：GEPMC-Loc: a dynamic gated ensemble network fusing pre-trained language models and multi-scale convolution for RNA subcellular localization

　　**摘要****背景**准确预测RNA亚细胞定位对于理解RNA的生物学功能及转录后调控具有重要意义。尽管计算方法已取得重大进展，但有效整合不同RNA序列表示所捕获的信息仍具有挑战性。在此，我们提出了GEPMC-Loc，这是一种动态门控集成框架，将预训练语言模型与注意力增强的多尺度卷积特征学习相结合。**结果**以RNA序列为输入，GEPMC-Loc采用三个并行的特征提取分支。ERNIE-RNA从RNA序列中捕获结构感知的语义特征，而ProtRNA则引入了从预训练蛋白质语言模型迁移而来的进化和理化信息。与此同时，一个注意力增强的多尺度卷积模块提取不同尺度的局部序列模式。随后，采用一种样本感知的动态门控机制，根据每个输入样本自适应地调整三个分支的贡献并整合其学习到的特征。此外，采用多目标联合学习策略，共同优化分支特定的学习与最终预测。在覆盖lncRNA、miRNA和circRNA的三个基准数据集上的实验表明，GEPMC-Loc在包括准确率、宏平均精确率、宏平均召回率和宏平均F1分数在内的多个评估指标上均取得了具有竞争力的性能。**结论**总体而言，GEPMC-Loc为跨不同类型RNA的亚细胞定位预测提供了一种有效的计算框架。