从核苷酸到数字:RNA特征提取方法的全面综述及其在计算建模中的意义

《Briefings in Bioinformatics》:From nucleotides to numbers: a comprehensive review of RNA feature extraction methods for computational modelling

【字体: 大 中 小 】 时间:2026年01月01日 来源:Briefings in Bioinformatics 7.7

编辑推荐:

  本综述系统梳理了RNA特征提取方法,为解决机器学习在RNA分析中特征提取领域碎片化、缺乏标准化的问题,研究人员对序列和结构基特征进行分类比较,并评估不同特征集对模型性能的影响,提供了公开工具清单,旨在提升RNA机器学习研究的可重复性、可扩展性和可解释性。

  
随着RNA测序技术的飞速发展,科学家们获得了海量的RNA序列数据,这些数据蕴含着理解生命奥秘的关键信息。然而,如何让计算机“读懂”这些由A、U、C、G组成的序列,并从中挖掘出有意义的生物学规律,成为了一个巨大的挑战。就像人类需要学习语言才能理解文章一样,机器学习模型也需要将RNA序列转换为数值形式——即特征提取——才能进行分析和预测。尽管特征提取在RNA机器学习流程中扮演着核心角色,但该领域长期以来缺乏系统性的梳理,方法分散,标准化程度低,这严重阻碍了研究的可重复性和广泛应用。
为了填补这一空白,发表在《Briefings in Bioinformatics》上的这篇综述文章《From nucleotides to numbers: a comprehensive review of RNA feature extraction methods for computational modelling》应运而生。研究人员旨在为这一碎片化的领域建立一个清晰的结构,通过系统性地整理和分类RNA特征提取方法,并比较不同特征对模型性能的影响,为研究者提供一份实用的“路线图”。
为开展这项研究,作者主要运用了文献系统综述和比较分析法,对现有的RNA特征提取方法进行了全面的梳理和分类。同时,他们对从不同研究中提取的特征集性能进行了比较分析,并汇总整理了当前可用的公开软件和网络服务器资源。

传统RNA特征提取

序列特征提取

特征提取是将原始RNA序列转化为适合机器学习模型的数值表示的关键预处理步骤。综述将序列特征分为以下几类:
核酸组成特征
这类方法通过计算相邻或非连续残基的出现频率来捕获短程或局部序列顺序。其中,独热编码(One-hot encoding)将每个核苷酸表示为一个唯一的二进制向量,一个长度为L的序列可表示为一个4xL维的二进制矩阵。k-mer频率则通过滑动窗口统计长度为k的子序列出现频率,其计算公式为fCS= (Ck/ 4k) / (L - k + 1),其中Ck是特定k-mer的计数。其他方法还包括增强核酸组成(ENAC)、反向互补k-mer、错配剖面和xxKGAP编码等。
数值映射和信号变换特征
这类方法将RNA序列转换为数值信号,进而应用基因组信号处理技术提取特征。例如,电子-离子相互作用赝势(EIIP)编码为每个核苷酸分配特定的EIIP值(如A=0.1260, C=0.1340, G=0.0806, U=0.1335),并可用于表示三核苷酸组成。Z-曲线理论则提供了一种基于嘌呤/嘧啶、氨基/酮基和氢键强度分布的三维序列表示。
密码子使用和编码潜力特征
对于信使RNA(mRNA)或涉及编码潜力判断的分析,特征包括Fickett分数、相对密码子偏好性(RCB)以及开放阅读框(ORF)相关特征(如最大ORF长度、平均ORF长度等)。Fickett分数整合了核苷酸组成和密码子使用偏好,用于区分编码和非编码RNA。
伪核苷酸组成
伪k-tuple核苷酸组成(PseKNC)方法旨在捕获全局和长程序列顺序信息以及核苷酸的理化性质。其中,伪二核苷酸组成(PseDNC)不仅考虑核苷酸的顺序排列,还考虑RNA分子内二核苷酸对的理化性质,生成的特征总数为16 + λ,其中λ是序列中考虑的两个二核苷酸之间的最大可能间隔。

结构特征提取

RNA分子的结构构型对于理解其功能机制至关重要。二级结构尤其重要,通常比一级序列更为保守。
基本结构描述符
这些特征从预测的二级结构(通常以点-括号表示法表示)中提取。包括配对比率(参与Watson-Crick碱基配对的核苷酸比例)、不同环状结构(如发夹环、内部环、凸环、多分支环)的数量和覆盖率,以及配对核苷酸中的GC含量。最小自由能(MFE)作为一个基本的结构指标,反映了RNA结构的稳定性。
三联体特征
该方法整合了序列和结构信息,在诸如microRNA识别等任务中表现出优越性能。它关注三个相邻核苷酸组中的中间核苷酸,产生32种可能的结构-序列组合(4种核苷酸 x 8种结构配置)。
基于图的高级表示
超越点-括号表示法,更强大的范式是将RNA二级结构及其相互作用网络建模为图。这允许提取捕捉RNA分子拓扑结构和关系背景的复杂特征。这包括作为工程化特征的拓扑描述符(如节点中心性度量、聚类系数、图元频率)和用于基于相似性分类的图核。此外,图嵌入算法(如HOPE)可以学习RNA在更大网络中的低维向量表示,这些表示可以作为传统分类器的强大特征。
整合实验数据的数据驱动特征提取
为了克服纯硅预测的局限性,“数据驱动”方法整合了直接的实验证据(如SHAPE、DMS探测数据)以产生更符合生物学真实性的结构模型,从中可以提取更高质量的特征。当高分辨率的三级(3D)结构数据可用时,可以提取丰富的空间特征(如溶剂可及表面积、扭转角),这对于预测分子相互作用(如RNA-蛋白质或RNA-配体结合位点)至关重要。

特征集选择对模型性能的比较影响

机器学习模型在RNA分析中的预测性能受到输入特征集构成的强烈影响。尽管算法选择起作用,但特征的多样性和信息量在决定模型准确性方面同样关键。综合四项独立研究的证据表明,结合多种描述符类型的集成特征集训练的模型通常表现出更优的性能。例如,Jha等人(2022年)在预测细菌sRNA时发现,结合生物学和序列衍生特征的特征集达到了最高的AUROC(0.954±0.02)。Khalid等人(2023年)在疾病相关lncRNA预测中也观察到类似趋势,完全集成的特征集准确率达到76%,显著优于最佳个体特征集(3-mer,71%)。然而,简单的特征融合并非总是最优。Li等人(2024年)关于lncRNA亚细胞定位的研究表明,性能最佳的单个特征(ENAC,AUC=0.851)优于直接拼接前三个个体特征的结果(AUC=0.827),这表明不加选择地组合特征可能会引入冗余。此外,个体特征的选择本身也至关重要,其预测能力差异很大。因此,最有效的特征集是根据具体的生物学问题精心设计和选择的。

特征提取工具

多年来,已开发出多种计算工具以促进RNA序列和结构特征的提取。这些工具实现了广泛的方法论,能够导出诸如k-mer频率、理化性质、结构稳定性度量、基于熵的度量等描述符。这些资源的存在显著简化了为下游RNA生物学机器学习应用生成高维、信息丰富特征集的过程。工具平台主要分为网络服务器(如BioTriangle、Pse-in-One 2.0,易于使用但可扩展性低)和命令行工具包(如ftrCOOL R包、PyFeat和MathFeature Python工具包,可扩展性高,适合大规模分析)。工具的选择取决于特征范围、计算性能、可访问性和项目具体目标之间的平衡。

表征学习:基于深度学习的自动特征提取

与传统机器学习中手动设计特征不同,表征学习提供了一种范式,即直接从原始序列数据中自动学习信息丰富的特征。这种由深度学习驱动的方法,因其能够无需先验生物学假设即可捕获复杂的非线性模式,已成为现代生物信息学的基石。第一步是将符号RNA序列(A, U, C, G)转换为数值形式,常见方法包括独热编码、核酸化学性质(NCP)编码和二核苷酸物理化学性质(DPCP)编码。另一种策略是受自然语言处理(NLP)启发的嵌入模型(如Word2Vec),它将生物序列表示为k-mer的集合,并学习每个k-mer的紧凑、连续向量表示。一旦序列被向量化,各种深度学习架构可用于构建层次化的特征表示。卷积神经网络(CNN)使用滑动滤波器扫描序列表示以识别局部模式。循环神经网络(RNN)及其变体长短期记忆网络(LSTM)专为处理序列数据设计,能够捕捉长程依赖关系。Transformer架构及其核心注意力机制现已对基因组学产生显著影响,它能动态权衡序列中每个核苷酸的重要性,特别适用于识别远端调控元件或复杂结构相互作用。

讨论与结论

本综述详细描述了用于将RNA序列和结构编码为数值形式的描述符类别和特征提取策略。文章还讨论了实现这些方法的可用工具和平台,并强调了特征集的选择和多样性如何影响RNA相关应用中机器学习模型的预测性能和可解释性。
尽管该领域已取得实质性进展,但在可访问性、效率和互操作性方面仍存在持续挑战,需要进一步发展。未来的特征提取平台应支持多样化的RNA描述符,同时保持对专家用户和编程经验有限的研究人员的可访问性。强调用户友好界面、计算可扩展性和集成能力将增强可重复性和可用性。模块化、支持流程的架构,采用标准API,提供文档齐全的库,并支持Python和R等常见编程环境,也将有利于进展。
一个有前景的未来研究方向是弥合深度学习模型预测能力与手工特征可解释性之间的差距。最近的方法开始探索将手工特征直接集成到深度学习流程中的混合架构。另一个重要的途径是开发和采用基准数据集和共享评估协议。整合多组学模态也代表了当前特征提取工作的一个有价值的扩展。将结构和序列衍生特征与外部数据源(如RBP谱、RNA修饰图或转录组共表达网络)相结合,可以产生更丰富、更具区分度的特征空间。
总之,这篇综述为RNA特征提取领域提供了急需的系统性梳理和实用指南。通过整合方法论、资源和性能比较,它致力于推动机器学习驱动的RNA生物学研究朝着更可重复、可扩展和可解释的方向发展,最终加速我们对RNA功能及其在健康和疾病中作用的认知。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号