RPI-Zero 只读序列预测 RNA-蛋白结合：未见 RNA、蛋白与配对三个切片上八项指标均居首
核心概要
RPI-Zero 把全长蛋白与整条剪接转录本放进同一个输入，只凭序列给出结合概率，不需要结构，也不需要新分子的相互作用数据。它配套的基准来自四个公共数据库、11.6 百万条 CLIP 峰、209 个蛋白，按序列相似性整簇划分训练与测试，并让负例在长度和转录本“热门程度”上与正例匹配。在未见 RNA、未见蛋白和未见配对三个测试切片上，它的 AUPRC 分别为 0.753、0.637 和 0.589，比各自切片上第二名方法高 2.7%、7.4% 和 4.6%。
深度剖析
RNA-蛋白结合预测现在可以面向训练中从未出现的分子：一个模型覆盖全部蛋白和 RNA 类别，只读序列，不需要结构，也不需要新分子的相互作用数据。 此前的预测器分两类，一类为每个蛋白单独训练模型，因而无法越出已有 CLIP 数据的蛋白；另一类虽对序列对打分，却只针对单一 RNA 类别。多数方法还用随机划分和随机配对负例评估，训练集与测试集两侧留有近乎相同的序列。 在按序列相似性整簇划分的基准上，RPI-Zero 在未见 RNA、未见蛋白、未见配对三个测试切片的全部八项指标上均为最高；AUPRC 为 0.753、0.637、0.589，比各切片第二名方法分别高 2.7%、7.4%、4.6%，而第二名方法在三个切片上各不相同。
模型把蛋白和 RNA 一起读入，因此每个核苷酸的表征已经带有蛋白信息，并能为每个核苷酸给出结合分数。 RNA-X 是一个在超过一亿条 RNA 相互作用上预训练的 transformer，共 14 层、1.36 亿参数，最多读 4,096 个 token，蛋白与 RNA 共享这一长度预算。 RPI-Zero 冻结 RNA-X，只训练一个 200 万参数的头部：头部用 16 个共享的模体原型把每个蛋白表示为混合权重，未见蛋白与训练蛋白用同一组向量描述，只是权重是新的；在单块 NVIDIA RTX PRO 6000 GPU 上训练耗时 12 小时。
启示与展望
演示范围是四个公共数据库的 CLIP 数据所构建的基准：11.6 百万条峰、209 个蛋白、2,074,753 个样例，标签只覆盖每个基因所选转录本的外显子内部，内含子、跨外显子连接处和其他异构体的结合未被标注。读者对象是需要为未测或设计分子排序结合可能性的研究者；模型没有细胞类型输入，预测的是蛋白能否结合某条 RNA，而不是它在特定细胞中是否结合。
蛋白数量受 CLIP 数据限制，209 个蛋白在 30% 一致性下只形成 181 个簇，未见蛋白与未见配对切片各只含少量蛋白，因此比较采用逐蛋白 bootstrap 区间和校正检验。模型在未见蛋白和未见配对上不如在未见 RNA 上准确。CLIP 只在被 profiling 的细胞中表达的 RNA 上找到结合位点，部分负例可能在其他细胞中可结合。RNA-X 的 4,096 token 上限使长转录本按块打分，如何把各块分数合成整条转录本的单一分数尚未解决。