关于“一种用于RNA剪接的可解释神经模型中RNA结合蛋白基序的改进建模”研究的学术报告
第一，研究作者、机构与发表信息 本研究由Kavi Gupta (麻省理工学院电气工程与计算机科学系)、Chenxi Yang (德克萨斯大学奥斯汀分校计算机科学系)、Kayla McCue、Osbert Bastani (宾夕法尼亚大学计算机与信息科学系)、Phillip A. Sharp、Christopher B. Burge* (麻省理工学院生物学系) 和 Armando Solar-Lezama* (麻省理工学院电气工程与计算机科学系) 共同完成。通讯作者为Christopher B. Burge和Armando Solar-Lezama。该研究于2024年发表在开放获取期刊《Genome Biology》上，文章标题为“Improved modeling of RNA-binding protein motifs in an interpretable neural model of RNA splicing”。
第二，研究的学术背景 本研究属于计算生物学与基因组学交叉领域，具体聚焦于RNA剪接的预测与机制解释。RNA剪接是真核生物基因表达的关键步骤，通过剪除前体mRNA中的内含子并将外显子连接起来，形成成熟的mRNA。这一过程由剪接体执行，并受到大量序列特异性RNA结合蛋白的精密调控。这些RBPs通过识别并结合前体mRNA上的特定序列基序，促进或抑制剪接位点的选择，从而决定最终的剪接模式。理解RBP结合及其调控逻辑对于解读基因组、理解基因表达调控以及解析疾病相关的遗传变异至关重要。
然而，现有的剪接预测模型面临一个核心矛盾：追求高精度的模型往往牺牲了可解释性。例如，以SpliceAI为代表的深度卷积神经网络虽然预测精度很高，但其内部工作机制如同“黑箱”，难以提取和理解模型所依赖的具体序列特征及RBP调控规则。另一方面，传统的基于已知生物学知识（如最大熵模型预测剪接位点、体外实验得出的RBP结合偏好）构建的模型虽然可解释性强，但其预测精度往往有限。
因此，本研究旨在开发一种兼具高精度与高可解释性的剪接预测模型。其核心目标是：1) 构建一个模块化的神经网络架构，将已知的生物学知识（如剪接位点核心基序、RBP体外结合模型）作为硬约束融入模型；2) 在此架构基础上，通过端到端的训练，优化RBP的结合模型，使其不仅能更准确地预测剪接，还能更好地反映体内的RBP结合与调控活性；3) 最终提供一个能够清晰展示特定外显子或基因组区域“调控景观”的工具，阐明哪些RBP基序在何处如何影响剪接决策。
第三，研究的详细工作流程 本研究的工作流程可以概括为以下几个核心步骤：
1. 构建稀疏调整基序模型架构 研究人员设计了一个名为稀疏调整基序的模块化神经网络架构。该架构包含三个核心组件： * 局部剪接位点识别器：这是一个独立的神经网络，专门用于识别和评分经典的5‘剪接位点和3’剪接位点核心基序区域。该模型被设计为信息瓶颈，仅对基因组中约1-2%的位置分配有意义的分数，从而强制压缩输入序列信息，防止后续模块简单地重建原始序列。 * 基序模型：此组件负责预测RBP的结合位点。研究采用了两种模式： * 固定基序模型：作为基线，直接使用从RNA结合与测序数据中通过RBPamp算法推导出的79种人类RBP的位置特异性亲和矩阵。这些PSAM代表了RBP在体外的结合偏好，其参数在训练初期被固定。 * 调整基序模型：这是本研究的主要创新。AM模型以一个轻量的卷积神经网络实现，其输入是序列，但输出被严格约束：只有那些在FM模型中得分较高的位点（例如，前2000个）才有资格被AM模型进一步调整和筛选。AM模型可以微调这些位点的结合强度，甚至可以从中选择最终输出（例如，前1000个）。这种设计确保了AM学习到的基序特征与已知的FM基序高度相似，保持了与特定RBP的关联性，同时允许模型根据剪接预测任务优化结合位点的选择和强度。 * 聚合器：这是一个处理长距离相互作用的神经网络模块。它接收LSSI和基序模型的稀疏输出作为输入，模拟RBP结合位点与剪接位点之间的相互作用，最终预测每个位置成为真实剪接位点的概率。其设计灵感来源于分层注意力网络和隐马尔可夫模型的前向-后向算法。
一个关键的设计是强制稀疏性。在基序模型的输出后，研究强制施加了一个最大密度限制（本研究设定为0.18%，即平均每1000个核苷酸中只有不到2个位点被预测为有RBP结合）。这一约束基于生物学事实（RBP在转录组中的实际占有率有限），并在数学上确保了基序层输出的信息熵远低于原始序列，从而强制模型学习压缩的、有生物学意义的表示，而非记忆序列本身。
2. 模型训练与评估数据集 * 训练与测试集：模型使用与SpliceAI相同的人类基因组数据集进行训练和评估，该数据集基于“典型”转录本注释，主要包含组成型外显子。研究将SpliceAI测试集的前50%用作验证集（用于调整稀疏性阈值），后45%用作最终测试集。 * 对比模型：主要对比基线为SpliceAI（黑箱深度学习模型）和基于最大熵的剪接位点模型。
3. 模型性能与生物学意义的系统性验证 为了全面评估SAM模型（特别是AM版本）的性能，研究进行了一系列严谨的分析： * 剪接预测精度：在独立的测试集上计算模型预测剪接位点的Top-k准确率，并与SpliceAI和FM模型进行比较。 * 模块替换实验：为了验证模型的模块化设计是否真正实现了语义分离（即基序模型输出确实代表RBP结合，而非编码其他无关信息），研究进行了巧妙的“模块替换”实验。他们将训练好的AM基序模型的输出进行二值化处理后，输入到另一个独立训练的、原本与FM基序模型配对的聚合器中。如果性能仍然优于使用FM基序模型，则证明AM确实提供了更优的RBP结合信息，而非侧信道信息。 * 体内结合验证：利用ENCODE项目中的增强型紫外交联免疫沉淀数据（该数据未用于模型训练），评估FM和AM模型预测的RBP结合位点与实验测得的体内结合位点（eCLIP peaks）的重叠富集程度。分析时分别考虑了外显子和内含子区域，以控制技术偏差。 * 剪接调控活性验证：利用大规模并行报告基因分析数据，该数据包含随机序列片段对替代剪接位点选择的影响。研究计算了每个RBP的基线基序活性（即被该RBP基序模型预测结合的序列片段与不被结合的片段之间，相对内含子包含率的差异）。然后比较仅被AM模型预测结合（而不被FM模型预测）的片段与仅被FM模型预测结合的片段，其BMA的差异。这直接检验了AM模型是否比FM模型更能识别出与剪接调控活性更相关的结合位点。 * RBP敲低数据验证：利用ENCODE的RNA图谱数据（RBP敲低后的外显子跳跃变化）。研究进行“计算机模拟敲低”，即从模型中移除特定RBP的所有预测结合位点，计算模拟的ψ值变化，并与实验观测的敲低效应进行比较，评估模型预测RBP调控方向（促进或抑制外显子包含）和程度的能力。 * 模型可解释性分析： * 调控景观可视化：对特定外显子（包括真实外显子和“诱饵”假外显子），展示模型预测的剪接位点、RBP结合位点，并通过计算机模拟基序删除实验，用箭头直观显示每个RBP基序对附近剪接位点预测概率的促进（绿色）或抑制（红色）效应。 * 推断的RNA图谱：通过系统性的计算机模拟敲低，聚合所有外显子区域的数据，绘制每个RBP基序在外显子及其侧翼内含子不同相对位置的平均调控效应图，直观展示其“RNA图谱”。 * 在其他类型剪接位点上的测试：将训练好的模型（仅在典型剪接位点上训练）应用于替代剪接外显子和进化上新出现的外显子的剪接位点预测，评估模型的泛化能力。
第四，研究的主要结果 1. 剪接预测精度显著提升且保持可解释性：在预测典型剪接位点的任务上，AM模型的准确率达到了约78.6%，显著优于FM模型的约67.2%，虽然略低于SpliceAI（约80%以上）。关键在于，AM模型在实现高精度的同时，其内部组件（LSSI、基序模型）的输出具有明确的生物学解释：剪接位点强度和RBP结合位点。
2. 调整基序模型有效且未脱离生物学基础：序列标识图显示，AM学习到的基序与原始的FM基序高度相似，仅有细微调整。更重要的是，AM模型在原始的RBNS体外结合数据上的预测性能与FM模型相当甚至略有提升，证明其调整并未损害其作为RBP结合模型的基本属性。模块替换实验成功证明，将AM基序与FM聚合器结合，其性能仍优于FM基序与FM聚合器的组合，表明AM确实提供了更优质的RBP结合信息，而非不可解释的“作弊”信息。
3. AM模型更好地预测体内RBP结合与调控活性： * eCLIP数据：在预测独立的eCLIP体内结合位点时，AM模型在外显子区域的表现达到了专门在eCLIP数据上训练的模型所能达到的理论最大改进的约50%，在内含子区域达到约10%，显著优于FM模型。这表明通过剪接任务端到端训练，AM模型学到了更接近体内真实情况的RBP结合特征。 * MPRA数据：分析显示，对于大多数RBP，AM模型独特预测的结合位点（FM未预测到）所关联的剪接调控活性（BMA），与FM模型独特预测的位点所关联的活性相比，其变化方向与RBP的已知调控角色更一致。例如，已知的剪接激活因子（如TRA2A）的AM独特位点更倾向于显示正调控活性。这表明AM模型识别出的位点具有更强的生物学相关性。 * 敲低数据：在预测RBP敲低实验中外显子包含率变化的符号和幅度方面，AM模型的表现系统地优于FM模型，说明其捕捉到的RBP调控逻辑更符合实验观察。
4. 模型成功推断出符合已知生物学知识的调控规则：通过计算机模拟敲低生成的“推断RNA图谱”显示，模型为经典的SR蛋白和hnRNP蛋白家族成员预测的调控模式与文献报道高度一致。例如，大多数SR蛋白在外显子内显示强激活效应，而大多数hnRNP蛋白显示抑制效应。这强有力地证明，SAM模型的聚合器成功地从序列和基序信息中学习到了正确的RBP调控语法。
5. 模型展现出良好的泛化能力与潜在优势：在预测更具挑战性的替代剪接外显子和进化上新出现的外显子的剪接位点时，所有模型的准确率都有所下降，但可解释的SAM模型（AM和FM）的表现相对优于其他模型。这表明对于剪接信号较弱或非典型的位点，基于生物学约束的模型可能更具鲁棒性。
第五，研究的结论与价值 本研究成功开发并验证了SAM这一新型可解释神经网络架构，用于RNA剪接预测。其核心结论是：通过将已知的生物学知识（剪接位点基序、RBP体外结合模型）作为硬约束融入模型设计，并利用强制稀疏性来防止信息泄露，可以构建出同时具备高预测精度和高可解释性的模型。更重要的是，通过端到端训练得到的调整基序模型，不仅提升了剪接预测的准确性，还产生了更优的RBP体内结合与剪接调控活性模型。
该研究的科学价值在于： 1. 方法论创新：为“可解释人工智能”在复杂生物系统建模中的应用提供了一个成功范例。它证明了通过巧妙的架构设计，可以迫使神经网络学习人类可理解的中间概念（如RBP结合），从而打开黑箱。 2. 生物学洞察：AM模型可以被视为一种从基因组序列和剪接结果中“反卷积”RBP体内结合偏好和调控逻辑的计算工具。它提示我们，许多RBP的体内结合特性可能与其体外测定结果存在细微但功能重要的差异，这些差异可能源于蛋白质修饰、辅因子结合或家族内旁系同源物的共同作用。 3. 应用潜力：SAM模型能够为任何外显子生成详细的“调控景观”图，标明哪些RBP在何处以何种方式影响剪接。这对于解释导致疾病的遗传变异（特别是同义或内含子变异）和设计调控剪接的治疗性反义寡核苷酸具有直接的应用价值。此外，AM方法可推广至研究其他具有明确调控活性的RNA或DNA结合蛋白。
第六，研究的亮点 1. 可解释性与性能的平衡：在保持与最先进黑箱模型（SpliceAI）相近预测性能的同时，实现了前所未有的可解释性，模型内部状态直接对应明确的生物学实体（剪接位点、RBP结合位点）。 2. 调整基序概念的创新：提出的AM模型是一个巧妙的折中方案。它既允许模型从数据中学习优化，又通过约束将其输出锚定在已知的RBP结合基序上，确保了结果的可解释性和与特定蛋白质的关联性。 3. 系统且严谨的验证体系：研究不仅评估了最终的剪接预测精度，还通过模块替换、体内结合数据验证、剪接活性分析、敲低数据比对和RNA图谱推断等多个独立层面，全方位验证了模型内部机制的有效性和生物学合理性，构建了非常坚实的证据链。 4. 模块化与通用性：SAM的模块化设计意味着其基序模型和聚合器可以相对独立地更新或替换。例如，未来可以轻松集成更多或更准确的RBP结合模型，或者将聚合器应用于其他基因调控预测任务。
第七，其他有价值的内容 研究还探讨了使用直接在RBNS数据上训练的神经固定基序模型，发现其虽然能小幅提升体外结合预测，但在剪接任务上表现不佳。这进一步凸显了在剪接任务上进行端到端训练对于获得功能相关结合模型的重要性。此外，对模型组件（如聚合器）的简化尝试会导致性能下降，说明了当前架构设计的必要性。这些探索性实验丰富了我们对模型各部分功能的理解。