《Frontiers in Bioinformatics》:Entropy-driven machine learning for deciphering mRNA rearrangement by splicing in complex microorganisms
编辑推荐:
引言:可变剪接(alternative splicing)通过差异性的RNA加工使单个基因产生多种信使RNA(messenger RNA, mRNA)变异体,进而翻译为不同的蛋白质亚型。内含子保留(intron retention, IR)是可变剪接的一种特定
引言:可变剪接(alternative splicing)通过差异性的RNA加工使单个基因产生多种信使RNA(messenger RNA, mRNA)变异体,进而翻译为不同的蛋白质亚型。内含子保留(intron retention, IR)是可变剪接的一种特定类型,即内含子保留在成熟mRNA中未被剪接。内含子剪接背后的精确调控密码尚未完全阐明,解析这些机制对于揭示遗传疾病的根源至关重要:相当一部分致病突变会破坏内含子剪接。方法:研究人员将可解释机器学习(explainable machine learning, xML)模型应用于四膜虫属(Tetrahymena)四个物种(T. thermophila、T. malaccensis、T. borealis和T. elliotti)的内含子序列;该属允许在无组织特异性混杂因素的情况下分析内含子保留过程。通过自动化的Galaxy流程提取保留内含子(retained introns, RIs)和组成型剪接内含子(constitutively spliced introns, CSIs),并用内含子序列的多个特征加以描述,包括重复核苷酸基序的缺乏(以熵量化)、GC含量、由Lempel–Ziv(LZ)度量估计的二级结构复杂度,以及分支点与3′剪接位点之间的有效距离。在训练集内通过10折交叉验证比较了四种分类器,并在独立测试集上进行评估。结果:在分析的28.96万个内含子中,C5.0决策树模型表现最佳且最稳定,在四个物种中的三个中排名第一(准确率0.948–0.984)。保留内含子的关键区分特征为更高的熵(Shannon熵高于1.67,而组成型剪接内含子低于1.53,理论最大值为2)、3′剪接位点附近更复杂的二级结构、更大的分支点至3′剪接位点有效距离,以及GC二核苷酸的相对富集。讨论:这些特征共同指向更弱、更难接近的剪接信号,可能损害剪接位点识别并使结果偏向于内含子保留。该研究确定了四膜虫中可预测内含子保留的关键序列水平特征,并可为研究其他真核生物的剪接调控提供通用、可解释的机器学习框架。
研究背景:可变剪接(alternative splicing)通过差异性的RNA加工使单个基因产生多种信使RNA(messenger RNA, mRNA)变异体,进而翻译为不同蛋白质亚型。内含子保留(intron retention, IR)是可变剪接的一种特定类型,指内含子保留在成熟mRNA中。内含子剪接的精确调控密码尚未完全阐明,而相当一部分致病突变会破坏内含子剪接,因此解析其机制对理解遗传疾病至关重要。四膜虫属(Tetrahymena)作为单细胞真核微生物,其基因表达和前体信使RNA(precursor messenger RNA, pre-mRNA)加工不受组织类型混杂因素影响,且IR是其主导的可变剪接事件,为研究内含子保留提供了理想模型。研究人员因此应用可解释机器学习(explainable machine learning, xML)对这一模式系统开展研究。
研究人员利用xML模型分析四膜虫属四个物种的内含子序列,提取保留内含子(retained introns, RIs)与组成型剪接内含子(constitutively spliced introns, CSIs),比较多种机器学习分类器,发现C5.0决策树表现最佳且最稳定。研究识别出区分RIs与CSIs的关键序列特征:更高的序列熵、更复杂的局部二级结构、更大的分支点至3′剪接位点有效距离以及GC二核苷酸相对富集。这些特征共同指向较弱的剪接信号,提示剪接位点识别效率下降而偏向内含子保留。该研究为理解内含子保留的序列决定因素提供了可解释的机器学习框架,并可推广至其他真核生物。
关键方法方面,研究数据来源于四膜虫基因组数据库和欧洲生物信息学研究所欧洲核苷酸档案库;每个物种至少使用4个转录组,涵盖饥饿、接合、生长等细胞状态。主要方法包括:RNA STAR比对,Trimmomatic质控,Cufflinks/Cuffmerge组装,iREAD与ASTALAVISTA鉴定保留内含子,SVM-BPfinder与BranchPointer联合预测分支点,RNAfold计算二级结构;提取Shannon熵、GC含量、Lempel–Ziv复杂度、分支点至3′剪接位点有效距离和MaxEntScan剪接位点强度等特征;用主成分分析(Principal Component Analysis, PCA)降维、SMOTE(Synthetic Minority Oversampling Technique)平衡类别,以支持向量机(Support Vector Machine, SVM)、C5.0、神经网络和Adaboost M1四种分类器经10折交叉验证比较,并在独立测试集评估;最后用xML解释C5.0决策规则。
研究结果如下。
3.1 保留内含子的检测(Detection of the retained introns)
通过自动化Galaxy流程,研究人员对四个四膜虫物种共289.6 k个内含子进行了分析,其中CSIs约286.5 k个,RIs约3.1 k个。转录组比对率范围为85.4%–97.4%,基因组GC含量为22.6%–24.0%。内含子长度分布显示95%的RIs和CSIs位于20到160 bp区间,因此将长于1,000 bp或短于20 bp的内含子作为离群值去除。iREAD与ASTALAVISTA采用互补策略识别IR事件,最终以iREAD