《Quantitative Biology》：ELE: Estimating tissue-specific long noncoding RNA gene essentiality using graph neural networks
编辑推荐：
基因必需性（gene essentiality）是指基因功能缺失导致致死、适应性降低或疾病发生的特性。必需基因因其在生物系统中的关键功能而受到越来越多的关注。已有大量研究致力于寻找必需蛋白编码基因。在复杂生物体中，基因组的大部分区域并不编码蛋白质。非编码基因在
基因必需性（gene essentiality）是指基因功能缺失导致致死、适应性降低或疾病发生的特性。必需基因因其在生物系统中的关键功能而受到越来越多的关注。已有大量研究致力于寻找必需蛋白编码基因。在复杂生物体中，基因组的大部分区域并不编码蛋白质。非编码基因在许多生物学过程中发挥重要作用，因此研究非编码基因的必需性十分必要。研究人员提出了ELE（estimating long noncoding RNA essentiality），这是首个用于在组织特异性背景下寻找必需长链非编码RNA（lncRNA）基因的计算模型。ELE整合了lncRNA-蛋白质-蛋白质相互作用（LPPI）网络结构与基因组及表观基因组特征，以预测必需lncRNA基因。利用ELE，研究人员在人类和小鼠中识别出组织特异性必需lncRNA基因。组织特异性必需lncRNA基因更广泛地参与生理环境依赖的细胞功能。此外，研究人员发现必需lncRNA基因倾向于与更多必需蛋白质和必需微小RNA（miRNA）发生相互作用。ELE为解析lncRNA基因必需性提供了一个有效框架，并提供了一组可供进一步验证的组织依赖性候选基因。研究人员已将用于复现ELE结果的所有数据集和代码存放在GitHub仓库（swt1024/ELE）中。
基于图神经网络的lncRNA基因必需性预测：ELE模型解读
一、研究背景与问题
基因必需性是指基因功能丧失导致个体死亡、适应性显著下降或疾病发生的特性，这一概念既适用于蛋白编码基因，也适用于非编码RNA基因。阐明基因必需性不仅有助于理解遗传疾病的致病机制，还能促进治疗药物的开发。全基因组筛选方法如CRISPR/Cas9和RNA干扰（RNAi）已被广泛用于识别必需基因，但这些实验方法成本高昂且劳动密集，因此计算预测方法成为有效且高效的替代方案。
已有大量计算研究致力于识别必需蛋白编码基因，相关数据库如DEG和OGEE也主要聚焦于蛋白编码基因。然而，ENCODE项目揭示，虽然人类基因组中仅有1%–2%编码蛋白质，但高达80%的基因组具有生化活性。非编码RNA，特别是长链非编码RNA（lncRNA），在基因表达调控、细胞分化和个体发育中发挥重要作用。尽管如此，与蛋白编码基因相比，lncRNA基因必需性的探索仍处于初步阶段。早期尝试如基因重要性计算器（GIC）方法和XGEP研究，主要依赖将从蛋白编码基因上训练的序列和表达谱模型迁移至lncRNA基因。
lncRNA-蛋白质相互作用（LPI）是lncRNA基因发挥功能的关键机制，因此可提供识别必需lncRNA基因的重要信息。Xin等人提出的系统基因重要性指数（SGII）方法基于lncRNA在lncRNA-蛋白质-蛋白质相互作用（LPPI）网络中的中心性对lncRNA基因进行排序，表明lncRNA基因的必需性与LPPI网络的结构特征相关。然而SGII评分方案过于简单，无法捕获复杂的网络结构信息。Zhang等人开发的iEssLnc方法是一种基于随机游走的方法，可从LPI网络中提取复杂结构特征，进一步支持lncRNA基因必需性与其在LPI网络中的局部结构模式相关的观点。
尽管这些方法成功利用了网络结构特征，但未能纳入lncRNA基因内在的基因组和表观基因组特征，而这些特征已被证明对识别必需编码基因有用。此外，大量证据表明基因必需性是一种条件性状，依赖于生物学背景和环境环境。然而对于lncRNA基因，现有计算方法在量化其必需性时未考虑任何生物学或环境背景。为弥补这一空白，研究人员提出了ELE（estimating long noncoding RNA essentiality），一种基于图神经网络的方法，用于预测组织特异性必需lncRNA基因。
二、研究内容与意义
研究人员开发了ELE框架，整合LPPI网络结构、基因组特征和表观基因组特征，在人类和小鼠中识别组织特异性必需lncRNA基因。ELE是人类和小鼠中首个组织特异性lncRNA基因必需性图谱的构建工具。研究发现组织特异性必需lncRNA基因与各组织的生理环境相关功能密切相关，且必需lncRNA基因倾向于与更多必需蛋白质和必需miRNA相互作用。ELE为解析非编码基因必需性提供了有效框架，为后续实验验证提供了组织依赖性的候选基因集。
三、关键技术方法
ELE框架由三个模块组成：网络构建模块、特征生成模块和预测模块。网络构建模块整合lncRNA-蛋白质相互作用与蛋白质-蛋白质相互作用构建LPPI网络。lncRNA-蛋白质相互作用数据来源于NPInter数据库v5.0，蛋白质-蛋白质相互作用数据来源于BioGRID数据库v4.0。特征生成模块利用lncRNA基因和蛋白质的多类特征，包括基因组序列、基因表达谱、功能注释、进化评分和表观基因组修饰图谱。lncRNA的原始特征为20维向量，涵盖序列统计（长度、GC含量、CpG计数、CpG岛计数）、进化统计（phyloP和phastCons的均值和最大值）以及表观基因组谱统计（DHS和五种组蛋白修饰的峰数和最大信号强度）；蛋白质的原始特征为3维向量，包括表达水平、直系同源基因数和GO注释数。HinSAGE方法结合DGI训练，将LPPI网络局部结构特征与所有特征整合，为每个lncRNA基因生成通用嵌入表示。预测模块采用监督机器学习算法（支持向量机SVM或多层感知机MLP）预测所有lncRNA基因的必需性。阳性样本来自dbEssLnc 2.0数据库的必需lncRNA注释，阴性样本根据GIC评分优先选择。研究分析了人类三个组织（左心室、左肺、胃）和小鼠三个组织（心脏、肺、前脑）。
四、研究结果
4.1 预测性能分析
SVM和MLP模型被训练用于识别必需lncRNA基因。由于人类和小鼠数据集规模不同，人类组织采用10折交叉验证，小鼠组织采用留一交叉验证。以AUROC和AUPR衡量预测性能。SVM模型在人类组织上表现优于MLP，而MLP模型在小鼠组织上表现更优。与iEssLnc、SGII和GIC等现有方法相比，ELE在所有额外性能指标上均表现更优。随机化检验中，将必需性标签随机置换1000次后，原始数据的AUROC值始终优于所有随机化结果（p < 0.001），表明模型性能并非随机产生，而是反映了lncRNA必需性与底层特征之间的真实关联。
4.2 必需lncRNA基因富集分析
由于高质量非必需lncRNA基因数据有限，研究人员利用GIC评分优先选择低分lncRNA作为阴性样本。为评估ELE对已知必需lncRNA基因的排序能力，研究人员应用基因集富集分析（GSEA）于ELE生成的排序预测结果。ELE-SVM模型获得了最高的富集分数（p < 0.001，Kolmogorov-Smirnov检验），优于iEssLnc和GIC。
4.3 组织特异性必需lncRNA基因识别
ELE对人类组织分别识别出左心室16817个、左肺16177个、胃15158个必需lncRNA基因；小鼠组织分别识别出心脏6883个、肺10068个、前脑7039个。由于预测数量远超预期，研究人员利用介数中心性（BC）评分过滤预测结果，保留人类各组织前40%和小鼠各组织前60%。最终确定人类左心室6727个、左肺6471个、胃6063个必需lncRNA基因，小鼠心脏4154个、肺6202个、前脑4243个。三个人类组织共有4796个共有必需lncRNA基因，三个小鼠组织共有1554个共有必需lncRNA基因，被定义为"共有必需lncRNA基因"。
4.4 组织特异性必需lncRNA基因功能分析
研究人员应用DAVID流程对必需lncRNA基因进行GO注释。所有数据集中"蛋白质结合"是最富集的分子功能项。共有必需lncRNA基因主要富集于基础管家功能，如"蛋白质结合"和"RNA加工"。组织特异性必需lncRNA基因与各组织的独特生理特性相关：小鼠肺特异性必需基因显著富集于"锌离子结合"（GO:0008270, p < 10?21），与肺组织持续暴露于氧化应激和环境损伤的生理需求一致；人类左肺特异性必需基因显著富集于"节律过程"（GO:0048511, p < 10?5），与肺功能受昼夜节律调控的证据相符；人类左心室中"泛素依赖性蛋白分解代谢过程"（GO:0006511, p < 10?7）是第二个最显著的生物学过程项，反映了心室组织对泛素-蛋白酶体系统进行蛋白质质量控制的关键依赖。
4.5 必需编码基因与必需非编码基因的相互作用
研究人员从OGEE数据库获取人类和小鼠必需蛋白编码基因记录，量化必需lncRNA基因与必需蛋白编码基因相互作用的数量。结果发现必需lncRNA与必需蛋白质的相互作用显著更多（p < 10?95，卡方检验），这一显著性在人类和小鼠的所有组织中均一致观察到。代表性例子包括人类MALAT1与剪接体核心组分PRPF8、PRPF6、PRPF31等必需蛋白的相互作用，以及小鼠Xist与Myef2、Hnrnpm、Celf1等必需蛋白因子的相互作用。
4.6 与必需miRNA的相互作用
研究人员从NPInter数据库收集lncRNA-miRNA相互作用数据，从文献中整理已知必需miRNA（人类45个、小鼠90个），比较必需与非必需lncRNA基因相互作用的必需miRNA数量。结果发现必需lncRNA基因与必需miRNA的相互作用显著多于非必需lncRNA基因（p < 10?2，Mann-Whitney U检验），这一模式在人类所有组织中一致观察到，在小鼠中仅在肺中达到显著。
4.7 组织特异性必需lncRNA基因的保守性分析
研究人员评估了预测必需lncRNA基因的进化保守性。虽然两组基因的平均保守性评分相当，但必需lncRNA基因的最大保守性评分显著高于背景基因（p < 10?107，Mann-Whitney U检验）。利用Ensembl BioMart的同源基因注释，研究人员在人类左心室与小鼠心脏之间识别出235个直系同源必需基因对，人类左肺与小鼠肺之间识别出344对，两物种共有必需lncRNA基因之间识别出92对。
五、讨论与结论
讨论部分指出，ELE的基因组范围预测可能包含较高的假阳性率，可能原因是ELE在平衡数据集上训练，而非必需lncRNA基因在基因组中占比远大于必需基因。基于BC评分的过滤步骤部分缓解了这一问题，提高了最终预测的生物学合理性。由于BC评分代表更全局的网络结构信息，这一结果也提示ELE中的HinSAGE模块未能捕获LPPI网络的全局结构特征。未来工作可聚焦于改进全局网络结构的建模，并定义包含蛋白编码基因和lncRNA基因的LPPI网络内的必需模块。
结论部分指出，ELE提供了一个灵活的必需lncRNA预测框架。通过ELE，研究人员构建了人类和小鼠中首个lncRNA基因必需性的组织特异性图谱。功能分析表明，组织特异性必需lncRNA基因倾向于表现出与组织生理环境相关的功能特征。此外，ELE的结果表明必需lncRNA倾向于与更多必需蛋白质和必需miRNA相互作用。ELE是探索非编码基因必需性的有力工具，为进一步验证提供了具有环境感知能力的必需lncRNA基因候选集。
