RNA同源搜索不再只比序列：RNAflash两阶段流程在RNAcentral上比Infernal快逾百倍
核心概要
RNA同源搜索长期在灵敏度与速度之间取舍：序列方法快却漏掉低相似度同源序列，协方差模型灵敏但代价高。RNAflash把搜索拆成两步，先用对比学习训练的RNA语言模型编码器从预编码数据库中检索候选，再用结合预测二级结构的交叉编码器重排并比对。在留出的Rfam家族上，其检索召回高于序列方法；在RNAcentral上构建的多重比对耦合与共变信号强于序列方法和Infernal，搜索与比对耗时比非迭代Riboseek快3.7倍、比Infernal和RNAcmap快逾100倍。
深度剖析
RNA同源搜索现在可以先在嵌入空间里快速筛出候选，再只对排名靠前的少量序列做结构感知的重排与比对，而不必对整库逐条做序列比对。 此前的序列方法依靠动态规划或隐马尔可夫模型打分，速度快但会漏掉与查询序列相似度低的同源序列；Infernal等协方差模型能捕捉序列与结构保守性，却因计算开销难以用于大规模搜索。 在从训练集留出的155个Rfam家族上，每个家族取一条序列作查询，RNAflash-R在多数截断k下召回最高，仅在k=5、10、20时次于Riboseek；按家族大小设定截断时召回最高，在首个假阳性之前的召回平均为75.5%，高于四个序列基线。
检索之后的重排与比对模块把候选转成多重序列比对，并用预测的二级结构修正核苷酸对应关系。 检索阶段只比较整条序列的平均嵌入，不做局部比对，因此候选里混有假阳性，且低相似度同源序列的核苷酸对应需要额外信息才能对齐。 在同一Rfam测试集上，RNAflash-A的比对F1平均为0.807，高于nhmmer的0.740和Infernal的0.793；在174条RNAsolo查询从3000万条RNAcentral序列中取回的前1000个候选上，它每条查询平均耗时9.67秒，Infernal的耗时是它的26.7倍。
完整流程在真实大库搜索中同时给出更深的比对和更强的进化信号，并提供一条以检索加速nhmmer的轻量路线。 nhmmer运行时间随目标库增大而增长，其比对的有效序列数和进化信号弱于结构感知方法；RNAcmap虽信号最强但计算代价高。 174条查询的搜索与比对共耗时1682秒，比非迭代Riboseek快3.7倍、比Infernal快约100倍、比RNAcmap快142倍；轻量变体RNAflash-L平均每条查询不到1秒，在nhmmer无命中的33条查询中有21条至少返回一个同源序列。
启示与展望
评测覆盖155个具有实验结构的Rfam家族和174条RNAsolo查询，大库搜索使用3000万条序列的RNAcentral数据库；由于大库搜索缺少参考比对，比对质量以有效序列数以及耦合、共变信号衡量。当前实现受ERNIE-RNA骨干限制，只能处理不超过1022个核苷酸序列。
大库搜索没有参考比对，比对质量只能通过有效序列数、耦合与共变AUPRC间接评估；检索深度需要在比对质量与计算开销之间调整，RNAflash-L被定位为更轻的替代方案。在Rfam未匹配查询子集上，Infernal性能下降最大，这一模式可能部分源于按协方差模型匹配筛选查询的方式。