浅谈深度学习在RNA亚细胞定位中的应用

李星桥

武汉大学 生命科学学院 湖北 武汉 430072

引言

RNA亚细胞定位，是指RNA在细胞内的空间分布情况。位于不同细胞区域的RNA通常具有不同的命运，而RNA在细胞内的位置亦与其功能相联系[1]。此外，细胞内的RNA定位失调将会导致人体中许多疾病的发生[2]。因此，如果我们能准确获取RNA在细胞内的定位信息，将有利于我们理解许多与RNA相关的生物学功能机制。

目前，已经有许多实验手段可以获取细胞内的RNA定位信息，如CeFra-seq[3]，APEX-RIP[4]等，但这些方法大多需要长时间的投入以及复杂的操作流程，且单次实验所能提供的信息有限。为了提高研究效率，大量研究者尝试使用深度学习算法对RNA亚细胞定位情况进行预测，其中DeepLncRNA[5]，RNATracker[6]，DM3Loc[7]等预测方法已经取得了一些成果。然而，不同预测方法所使用的训练数据集不同，且特征提取方法各异，因此预测得到的RNA定位信息存在差异。根据具体的研究需求，我们应该选取合适的方法用于RNA亚细胞定位预测。

1 DeepLncRNA预测方法介绍

长链非编码RNA(Long noncoding RNA,LncRNA)是指长度大于200个核苷酸的非编码RNA，通常分布在细胞核与细胞质中，执行着许多生物学功能[8]。DeepLncRNA尝试利用lncRNA一级序列信息对其进行定位预测。DeepLncRNA的训练数据来自于14种不同细胞系的93个RNA-seq实验。数据预处理时，该方法首先计算了每一种细胞系中各种lncRNA转录本在细胞核与细胞质内的表达量，并根据二者比值大小，划定阈值，将每一条lncRNA标记为细胞核定位或者细胞质定位。在特征提取时，DeepLncRNA选择了三种特征作为预测输入：①lncRNA序列K-mers特征：每条lncRNA序列计算了K从2到5共计1360个特征；②lncRNA序列上的结合蛋白基序特征：由于RNA结合蛋白会对lncRNA定位造成影响，因此DeepLncRNA统计了每条lncRNA序列上各种结合蛋白基序的数量；③lncRNA所处的基因组位置特征：该特征包括了lncRNA所处的染色体编号以及基因起始与终止位置信息。在预测模型构建时，DeepLncRNA采用了全连接网络，对上述三种输入的特征进行融合并计算，最后输出每条lncRNA在细胞核或细胞质中定位的概率大小。

DeepLncRNA在验证数据集上取得了0.79的AUC，这说明该方法对lncRNA的亚细胞定位具有良好的预测效果。DeepLncRNA创新性地将RNA结合蛋白基序作为特征用于定位预测，且由于其特征提取方法可以适应于不同长度的RNA序列，因此对于长度差异较大的lncRNA序列，DeepLncRNA均可以给出预测结果，且计算效率不受序列长度影响。但是DeepLncRNA也存在一些缺点：在序列特征提取过程中，它采用了K-mers的办法，并未考虑lncRNA序列内部的联系，这使得模型无法找到lncRNA上与细胞定位相关的基序，影响其预测结果的可解释性；其次，DeepLncRNA仅针对lncRNA在细胞核、细胞质内的两种情况进行预测，无法预测更精细的亚细胞区域，对于需要准确预测lncRNA在细胞内某个细胞器的定位任务，该方法无法很好地给出答案。

2 RNATracker预测方法介绍

相比DeepLncRNA预测lncRNA亚细胞定位，RNATracker则关注于细胞内的mRNA定位。RNATracker的训练数据主要来自于CeFra-seq与APEX-RIP实验，这些数据中不仅有mRNA在细胞核、细胞质内的定位信息，还包括了内质网与细胞膜等细胞器内的定位信息。RNATracker的数据预处理流程与DeepLncRNA相似，首先计算了每种mRNA转录本在各细胞区域中的表达量，并将表达量最大的区域作为其定位预测标签。特征提取方面，RNATracker将mRNA的一级序列与软件计算得到的二级结构进行融合，并使用One-hot的方式进行编码，使得RNA的序列信息与结构信息均转化为矩阵，作为预测模型的输入。RNATracker的计算模型较为复杂，其具体结构如下：①输入矩阵首先进入一层卷积神经网络，用于提取mRNA序列与二级结构中与定位相关的特征；②卷积神经网络的输出再经过双向循环神经网络，用于找出这些与定位相关特征之间的联系；③循环神经网络输出结果传递到全局注意力层中，使模型更关注于mRNA序列中与定位强相关的特征；④最后，该模型通过一层全连接网络输出最终的预测结果。RNATracker的预测结果包括了4个值，其中最大值对应的区域即为预测得到的mRNA亚细胞定位区域。

RNATracker在各细胞区域的验证数据集均取得0.7以上的AUC，这说明该方法可以很好地预测mRNA亚细胞定位。RNATracker有诸多创新点，具体如下：①在特征提取方面，其融入了mRNA二级结构信息，增加了信息维度，有助于模型从二级结构的角度寻找mRNA定位特征；②在预测模型方面，RNATracker采用了卷积神经网络，能有效提取mRNA序列中与定位相关的基序，这大大提升了模型的可解释性；③RNATracker的预测范围包括4个细胞区域，实用性有所提升。但是该方法也存在一些缺点，首先RNATracker使用的训练数据较少，且仅含单一细胞系的数据，预测结果鲁棒性较差。最后，RNATracker只能接收定长的mRNA序列用于预测，过长的序列需要经过截断才能进行预测。

3 DM3Loc预测方法介绍

DM3Loc亦关注于mRNA的亚细胞定位情况，与RNATracker预测结果仅为单一细胞区域不同的是，它的预测结果中包含mRNA在细胞内多个区域同时存在的情况。在训练数据集构建上，DM3Loc从RNALocate[9]数据库中收集了17870条mRNA定位信息，覆盖了RNATracker中4个以及额外的外泌体和核糖体等6个细胞区域。该方法将RNA序列补全到统一的8000长度，并采用One-hot方式编码。模型设计上，DM3Loc放弃了定位预测任务中常用的循环神经网络，而是采用了自注意力模型，其模型具体结构如下：①输入矩阵通过多尺度卷积神经网络寻找mRNA序列上不同长度的定位基序，并利用最大池化层提取特征；②使用自注意力层寻找上一步输出的定位特征之间的联系；③将自注意力层输出结果合并，最后用一层全连接网络输出mRNA亚细胞定位预测结果。DM3Loc的预测结果包括6个数字，分别对应着mRNA在细胞内6个不同区域存在的概率。

从测试结果来看，DM3Loc在六个细胞区域中均达到了0.7以上的AUC，这说明该预测器确实能对mRNA在细胞内多个区域的定位情况进行很好的预测。相比之前的两种方法，DM3Loc创新性地采用了多标签数据进行训练，使得其预测结果更接近于细胞内mRNA分布的真实情况。在预测模型设计上，DM3Loc采用了自注意力层，该层能够关注到mRNA序列中不同位置间的互作关系，相比双向循环神经网络，自注意力层大大缩短了计算时间。但是，DM3Loc依旧有值得改进的地方，例如该方法的训练数据中缺少了不同类型细胞的实验数据，且对于不同的细胞区域，DM3Loc设置了不同的损失权重，这不利于DM3Loc在新的数据集以及新的亚细胞区域上进行拓展研究。

4 结束语

上述三种方法都是基于深度学习算法预测细胞内的RNA定位，但这些方法却各有特点。在预测种类上，DeepLncRNA可用于lncRNA亚细胞定位预测，而RNATracker、DM3Loc则用于mRNA定位预测。特征提取上，DeepLncRNA利用lncRNA一级序列的K-mers特征，并创新性地融入序列上的RNA结合蛋白基序与基因组位置信息，而RNATracker则使用了RNA一级序列信息与二级结构信息，DM3Loc则仅仅使用了一级序列信息。预测模型设计上，DeepLncRNA采用了基础的全连接神经网络进行计算，而RNATracker则使用了卷积神经网络和双向循环神经网络对RNA序列中的定位基序进行提取，增加了模型的可解释性。相比之下，DM3Loc的模型最为完善，将循环神经网络替换为了自注意力层，既加快了模型训练速度，又能够获取RNA序列内部长距离的交互信息。从预测效果上看，上述三种预测器均在对应的测试集上达到了可靠的准确率，其预测结果均可作为RNA细胞内定位参考。

讨论：RNA亚细胞定位对于其行使生物学功能有着至关重要的作用。目前，已经有不少基于深度学习的方法针对不同种类的RNA进行亚细胞定位预测，且已经取得了一些效果。然而细胞内RNA定位是动态变化的，不同种类的RNA功能各异，定位差异大，且不同组织和细胞中RNA定位也存在不同。另外，不同预测方法使用的特征提取与计算模型也各有不同，上述问题均会对预测方法的准确性造成影响。因此，仅通过少量数据或简单的特征提取尝试获取极高的RNA定位预测准确率，目前看来是十分困难的。所以开发多种不同计算方法尝试解决上述问题，将会对RNA亚细胞定位问题有很大的帮助。

随着RNA亚细胞定位实验方法的不断改进，海量的数据将为RNA亚细胞定位预测提供支持。相信结合实验技术与深度学习算法，我们最终能开发出更好的计算模型准确地预测RNA亚细胞定位信息，用于解释各种生物学问题。