SpliceCOV:监督过滤RNA-Seq来源转录特征以提升转录组组装

《Genes》:SpliceCOV: Supervised Filtering of RNA-Seq-Derived Transcript Features Improves Transcriptome Assembly

【字体: 大 中 小 】 时间:2026年10月21日 来源:Genes 3.1

编辑推荐:

  背景/目标:高通量RNA测序(RNA-Seq)使转录本发现和定量成为可能,但所得覆盖度(coverage)谱常含大量转录噪声,使真实转录特征与伪信号难以区分;这些噪声信号可传播至转录组组装(transcriptome assembly),增加假转录本模型并降低

  
背景/目标:高通量RNA测序(RNA-Seq)使转录本发现和定量成为可能,但所得覆盖度(coverage)谱常含大量转录噪声,使真实转录特征与伪信号难以区分;这些噪声信号可传播至转录组组装(transcriptome assembly),增加假转录本模型并降低注释精度。方法:研究人员提出SpliceCOV,一种用于过滤RNA-Seq来源转录特征的监督框架。SpliceCOV不进行RNA-Seq覆盖度的通用分割,而利用覆盖度和连接(junction)衍生特征,将可能真实的剪接位点(splice sites)和转录边界(transcript boundaries)与噪声候选区分。研究人员将SpliceCOV与已有变点方法(changepoint methods)进行基准测试,并评估SpliceCOV过滤特征是否通过StringTie改善下游转录组组装。结果:在人类GTEx(Genotype-Tissue Expression)组织数据集中,SpliceCOV大幅减少可能假阳性剪接位点,同时保留多数注释位点。研究人员纳入基于分割的方法作为基线,以评估通用覆盖度变点是否支持RNA-Seq转录特征过滤。由于这些方法为无监督(unsupervised),而SpliceCOV使用注释衍生标签(annotation-derived labels)训练,比较旨在评估其对该特定过滤任务的适用性,而非对底层算法作总体排名。在此评估框架下,SpliceCOV在相当过滤水平保留更多注释支持剪接位点。对于转录起始和终止位点(TSS/TES),SpliceCOV减少大多数假阳性,同时保留与参考注释的大量重叠。当SpliceCOV过滤的剪接位点和转录边界提供给StringTie时,所评估组织的转录本水平精度(transcript-level precision)提高,而参考匹配转录本(reference-matching transcripts)数量大致相似。模型还显示跨组织和染色体可迁移性(transferability),并可不经重新训练应用于小鼠RNA-Seq,但下游组装性能低于人类数据集。结论:SpliceCOV提供一种在转录组组装前过滤噪声RNA-Seq来源转录特征的监督方法。通过改善提供给下游组装的剪接位点和转录边界证据质量,SpliceCOV可提高转录本水平精度,同时保持转录本恢复。
RNA测序(RNA-Seq)促进转录本发现、组织特异性可变剪接刻画和丰度估计,但覆盖度谱中常含基因间读段、虚假剪接连接和不完全剪接RNA等转录噪声;原文指出噪声可占RNA-Seq组装转录本多达三分之一,导致假阳性新转录本或剪接事件。基于RNA-Seq的转录发现存在灵敏度—精度权衡:宽松策略保留灵敏度但引入假阳性,激进过滤提高精度但可能去除真实低丰度或组织特异事件。变点检测(changepoint detection,识别序列统计性质突变位置)广泛用于信号分割,但RNA-Seq覆盖度变化本身不等同于生物学剪接位点(splice sites)、转录起始位点或终止位点(TSS/TES)。因此研究人员提出SpliceCOV,针对已由RNA-Seq证据支持的候选转录特征进行监督过滤,而非另造通用分割算法;目的是在转录组组装(transcriptome assembly)前去噪并保持转录本恢复,从而改善下游组装精度。

主要关键技术方法:以GTEx v8(Genotype-Tissue Expression version 8)RNA-Seq为样本队列,用TieBrush和TieCov生成组织聚合连接文件与覆盖度轨迹;剪接位点候选直接取自观察连接供体/受体坐标,TSS/TES候选由覆盖度启发式生成;提取覆盖度和连接衍生特征后,用两个任务特定LightGBM(Light Gradient Boosting Machine)二分类器过滤,模型以GTEx脾(n=118)训练、CHESS注释作标签、80/20划分和早停,默认概率阈值0.4;与PELT、GFPOP、DeCAFS、Segmentor3IsBack等分割法比较;以StringTie v3.0.1的--ptf输入过滤特征并用gffcompare评估;另用小鼠ENCODE 7个数据集20个BAM、染色体留出(训练2、4、6、8、10–22、X、Y,评估1、3、5、7、9)及运行时间/内存基准。

3.1 Splice-Site Filtering Accuracy in GTEx Tissues:通过膀胱(11样本)和小肠(104样本)及30个GTEx组织比较,SpliceCOV在膀胱保留382,405个注释位点(敏感性0.90),将非注释候选降至89,982(减少91.2%),精度0.81、F1 0.85;小肠保留439,229(敏感性0.91),非注释候选减少95.3%,精度0.57、F1 0.70;在相当精度下恢复更多真阳性。单样本仍优于PELT和Segmentor3IsBack但信号较弱;低样本建议阈值0.3,≥10样本默认0.4;下采样主要降低敏感性而非精度;>5 reads简单过滤不能复现;局部平滑性特征贡献85.16%增益。结论:监督过滤提高剪接位点精度并保留多数注释位点。

3.2 Annotation Overlap of Predicted TSS/TES in GTEx Tissues:通过膀胱和小肠比较TSS/TES候选总数及CHESS重叠,SpliceCOV在膀胱产生66,497个候选、26,715个重叠(40.2%),小肠150,538个、33,571个重叠(22.3%);PELT和DeCAFS产生大量非重叠候选;以131,927个CHESS TSS/TES为分母的保守估计中SpliceCOV F1最高。结论:SpliceCOV在候选削减与注释重叠间平衡最好。

3.3 Improvement of Transcriptome Assembly Using SpliceCOV Guidance:通过StringTie默认与--ptf引导在五组织配对比较,SpliceCOV引导显著提高转录本水平精度,参考匹配转录本数量大致相似;膀胱中位精度0.48升至0.518;用DeCAFS TSS/TES替代未进一步改善。结论:过滤特征改善组装精度而不牺牲转录本恢复。

3.4 SpliceCOV Application to Mouse RNA-Seq Data:通过ENCODE小鼠7个数据集20个BAM不重训应用人类脾模型,剪接位点敏感性0.96,假阳性从711,956降至134,697,精度0.69、F1 0.80;StringTie引导中位参考匹配8,098升至8,128,精度0.2305升至0.2350;TSS/TES重叠率6.4%,与Segmentor3IsBack相同但恢复更多。结论:可跨物种迁移但下游改善较小。

3.5 Generalization to Unseen Chromosomes:通过脾训练留出染色体1、3、5、7、9在膀胱和小肠评估,留出模型与全基因组模型精度—真阳性曲线接近;TSS/TES重叠率膀胱38.9%对38.9%,小肠21.1%对21.1%。结论:模型学习可迁移局部覆盖特征而非位点记忆。

3.6 Speed and Memory Comparisons:通过GTEx组织基准,SpliceCOV每组织约11–173 min,PELT 16–1129 min,Segmentor3IsBack 0.2–12.6 min,GFPOP仅两组织5.1/25.6 h;峰值内存SpliceCOV 0.75–12.8 GiB,PELT 0.59–41.4 GiB,Segmentor3IsBack 0.03–2.36 GiB。结论:SpliceCOV在可扩展性与资源间平衡。

讨论部分总结:SpliceCOV不从头预测剪接位点,而评估RNA-Seq已支持候选,目标是在组装前去除转录噪声,非替代分割或序列预测工具;StringTie组装依赖输入证据质量,宽松特征保留灵敏度但引入虚假连接或边界,过度过滤丢失真实低丰度或组织特异特征,SpliceCOV改善该权衡。LightGBM因预测性能、可扩展性和特征重要性解释性被选用;方法有意使用RNA-Seq覆盖和连接特征而非序列特征,与SpliceAI、SPLAM、SegmentNT等序列模型问题互补。讨论承认注释重叠非完美正确性,未重叠加可能为未注释真实特征;研究基于短读长,未评估长读长;未直接比较序列预测、无长读长独立验证、无CAGE或PolyASite独立验证TSS/TES。StringTie引导仅改变--ptf外部证据,人类组织精度提高约5–8百分点,敏感性和参考匹配数几乎不变;每样本增益看似有限,但合并多样本可减少假阳性转录本。

结论部分译为:SpliceCOV提供了一种在转录组组装前过滤RNA-Seq来源剪接位点和转录边界的监督框架。该方法并非将每个观察到的连接或覆盖变化视为可靠证据,而是利用覆盖度和连接衍生特征区分注释支持的转录特征与可能含噪候选。在GTEx组织中,该方法保留大多数注释支持剪接位点,同时大幅减少非注释支持候选;其行为在不同样本深度组织和未参与模型训练的染色体上保持一致。当将SpliceCOV过滤后的特征提供给StringTie时,所评估人类组织的转录本水平精度提高,而转录本敏感性和参考匹配转录本数量基本不变。经人类数据训练的模型无需重新训练即可迁移至小鼠RNA-Seq,但下游组装改善小于人类数据。总之,这些结果表明,对RNA-Seq来源转录特征进行监督过滤可在组装前减少噪声证据,同时保持转录本恢复。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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