Bioinformatics｜LncADeep一种基于深度学习的从头开始识别lncRNA和功能注释工具

今天给大家介绍北京大学朱怀球教授在Bioinformatics上发表的文章“LncADeep: an ab initio lncRNA identification and functional annotation tool based on deep learning”。识别lncRNAs，推断lncRNAs的功能，以及对IncRNA注释进行全面的构建是十分必要的。本文提出LncADeep是第一个不仅可以识别lncRNAs并且推断lncRNAs功能的工具，在识别lncRNA上，LncADeep集成了序列固有和同源性特征，放入深度置信网络(DBN)对全长和部分的转录本进行判别。结果表明，lncADeep的性能优于最先进的工具，并且可以跨物种IncRNA鉴定。对于功能注释，本文首先利用序列和结构信息，基于深度神经网络(DNNs)的深度学习算法预测了lncRNA的相互作用蛋白质，随后融合了KEGG和Reactome等人路径富集分析并且利用预测的相互作用蛋白进行功能模块检测，从而提供了丰富的途径和功能模块作为功能注释。

一、研究背景

大多数非编码RNA (non-coding RNAs)，长非编码RNA (lncRNAs, 长度在200nt以上) 在剂量补偿、基因组内印迹、细胞分化等方面起着重要的生物学作用，并且与癌症等人类疾病有关。虽然已经有相当多的lncRNAs被描述，但目前发现的大多数lncRNA的功能尚不清楚。为了全面描述新发现的转录本，需要解决两个问题：识别lncRNAs和推断它们的功能。但lncRNAs和mRNAs的相似性以及存在一些只有部分的mRNAs给识别带来很多困难。在功能方面，为了发挥生物学功能，lncRNAs可以与DNA、RNA和蛋白质相互作用，而其中的lncRNA–protein相互作用在lncRNAs的功能中起着至关重要的作用。

二、模型与方法

2.1 数据集

在识别lncRNA上，数据来源分别是RefSeq和GENCODE。其中RefSeq中人类mRNA都是全长的，即mRNA包含5‘未翻译区域(UTR)、CDS和3’UTR。而GENCODE中36%的人类mRNA是部分长的，即没有5‘UTR或3’UTR并且CDS也可能是不完整的。最终本文分别从RefSeq Release 75构造都是全长转录本的数据集，从GENCODE Release 24构造既包含全长也包含部分的转录本的数据集。并且利用RefSeq 和 GENCODE 构造了小鼠转录本的数据集，因为小鼠的mRNAs和lncRNAs比起其他物种更为丰富。

对于构造通过预测lncRNA–protein 相互作用，从而得到lncRNA功能描述的数据集。本文从包含很多实验验证过的lncRNA–protein相互作用对的NPInter数据库构造数据集，并且只保留标签为‘Homo sapiens’和‘ncRNA-protein binding’的相互作用对，移除了ncRNA长度短于200nt的相互作用对。此外参考Akbaripour-Elahabad et al.，Muppirala et al.的方法，如对IncRNAs和蛋白质匹配成对，排除所有已知的相互作用对，并随机保留6204个IncRNA-蛋白质对作为非相互作用的方法构造负样本数据集。

2.2 模型

本文模型的介绍分别由2.2.1-2.2.3的特征选取和深度学习架构两部分组成。

2.2.1 全长转录本模型

使用包括open reading frame (ORF) 长度和覆盖范围, ORF的EDP，Mean hexamer score, UTR coverage ，guanine-cytosine (GC) content, Fickett nucleotide feature 和HMMER index这几种特征。

2.2.2 包含全长和部分长转录本模型

本文介绍了最长CDS(LCDS)，来描述部分长的mRNAs。考虑到部分长的mRNA，第一种是缺失3’端的部分mRNA，用基于ORF的CDS来表示最长的ORFs(LORFs)。随后使用一种动态规划方法，最大子阵和(MSS)，以找到一个拥有hexamer score的基于hexamer的CDS。对于给定的hexamer序列

的总hexamer score

，由如下等式得到

其中

和

分别代表分别为帧内编码和非编码hexamer 频率。最终从两个CDS中选择更长的作为LCDS。然后，本文计算LCDS长度和覆盖度作为特征，其中覆盖度是LCDS长度与转录长度的比值。

除此之外，还有ORF的EDP，Mean hexamer score, Fickett nucleotide feature 和HMMER index这些特征。其中mean hexamer score 和EDP是在LCDS上计算，而其他与全长转录本计算方式一致。由于部分长可能缺失5’ or 3’端，所以并没有使用全长中使用过的UTR特征。

2.2.3 预测IncRNA-protein相互作用和IncRNA功能的方法

为了表征lncRNA–protein相互作用对，本文使用了序列特征和结构特征。

对于序列特征，每个lncRNA首先根据4-mers的EDP编码成256-维向量，并且利用在识别lncRNA中的Fickett nucleotide feature and LCDS特征 (如 LCDS的EDP, LCDS长度和覆盖率还有mean hexamer score）总共47-维向量。每个蛋白质序列则根据3-mers的EDP用7个字母编码成343-维向量。

每个lncRNA–protein对由646-维序列表示。为了缓解过度拟合，本文使用最小冗余最大相关性(MRMR)准则进行特征选择，以选择那些最具特征的特征。最终获得110个特征。

对于结构特征，对lncRNA和蛋白质都包含了二级结构，hydrogen-bonding 和Van der Waals特征。用RNAfold预测二级结构，参考lncPro论文方法得到其他特征，最终得到80-维向量。最终将序列向量和结构向量结合得到最后的表征。

为了从预测的相互作用蛋白质得到lncRNA的功能。LncADeep整合了KEGG、反应组通路富集分析和对相互作用蛋白的功能模块检测。首先过滤来自Uniprot数据库经过审查的人类蛋白质序列，获得了20121个蛋白质序列。随后从20121个蛋白质中预测lncRNA的相互作用蛋白，并与预测的相互作用蛋白进行功能注释。

对于路径富集分析，LncADeep采用Fisher的精确检验作为显着性检验，Benjamini-Hochberg(BH)方法进行多重检验校正，并保持富集路径的标准P值<0.05。蛋白质通常作为模块发挥作用、解释由lncRNAs相互作用的蛋白质衍生的功能模块可以为功能提供一些有用的信息。本文通过整合HIPPIE数据库提供的蛋白质-蛋白质相互作用信息，使用马尔可夫聚类以检测功能模块。

2.3 IncRNA识别和蛋白质相互作用预测的深度学习框架

深度学习方法擅长于发现高维数据中复杂的隐藏结构，对分类问题特别有帮助。本文实现了一个基于限制玻尔兹曼机器的DBN，以识别 lncRNAs。将RBMs从下到上逐层叠加，生成DBN。利用数据集进行预训练，为神经网络获得一个良好的初始化点，有助于防止过拟合和捕获观测变量的复杂隐藏信息。在初始化后，添加一个输出层，并通过反向传播对整个神经网络进行微调。DBN网络前两层用Gaussian (visible)–Bernoulli (hidden) RBM，其他两层用Binary-Binary RBM。

用DNN构建深度学习结构，用于预测lncRNA–protein 相互作用。用得到的序列结构特征作为输入，进入DNN进行分类。还添加了dropout 层，以防止过度拟合,并使用反向传播来微调网络。

图3.1. LncADeep的流程图。使用LncADeep进行lncRNA识别和功能注释。

三、实验结果

3.1 评测指标

Sn (sensitivity)，Sp (specificity)，平均测量值Hm（灵敏度和特异性的谐波平均值)。Sn=TP/(TP+FN), Sp=TP/(TP+FP), Hm=(2xSnxSp)/(Sn+Sp) 。TP、TN、FP和FN代表真阳性、真阴性、假阳性和假阴性。Sn测量正确识别的实际阳性的比率，Sp测量所有预测阳性的真实阳性的比率，Hm用来作为算法评估的聚合性能分数是一种综合测量。

3.2 IncRNA识别的表现

通过十折交叉验证来进行评估。如图4.2所示，在全长数据集上，LncADeep的sensitivity 为98.1% , specificity 为97.2%,但Hm为97.7%。与同一测试集上的其他工具相比，LncADeep具有最高的谐波平均数，包括最高的特异性，而高灵敏度仅略低于CPC（但CPC其他两个值都低于LncADeep）。本文的方法在所有lncRNA识别工具中具有最高的准确性，并且优于现有的工具。

图4.1 通过十折交叉验证在人类转录本上lncRNA识别表现的比较。

如图4.2所示，LncADeep的性能始终优于所有其他工具，无论部分长度mRNAs的比例如何变化。

图4.2 lncRNA识别在不同full，partial组成的人类转录本上的性能。

如图4.3所示，在全长转录本上的跨物种识别具有最高的准确率（谐波平均数为96.7%）。此外，包括全长和部分长度的小鼠转录本进行了跨物种鉴定，LncADeep仍然以最高的谐波获得了最佳的性能，在100%部分长度转录本的测试集上，平均91.2%。更多的，也调整了全长和部分长的比例，LncADeep始终优于其他工具。

图4.3 在鼠转录本上跨物种lncRNA识别的性能。

如图4.4所示，通过5倍的交叉验证，LncADeep的平均灵敏度为97.0%，略低于RF模式的RPISeq的最高灵敏度99.1%，且平均特异性为85.4%，略低于IPMiner的最高特异性85.6。。然而，对于谐波均值的总性能，LncADeep平均达到90.8%，明显优于RPISeq with RF mode（66.5%）、IPMiner（87.6%）和所有其他的工具。

图4.4 通过5折交叉验证预测lncRNA–protein相互作用的比较。

由于缺乏lncRNA功能的金标准数据集，很难定量评估推断出功能的性能。本文则通过比较以四个研究良好的IncRNAs的推断功能（通过LncADeep和 IPMiner）与文献报道的功能。本文的实例表明，LncADeep可以给出信息丰富的功能注释，非常符合已知的功能，并明显优于IPMiner。

四、总结

本文开发了一种基于深度学习算法的lncRNA识别和功能注释工具。LncADeep是截止当时第一个能够识别lncRNAs、预测lncRNA-蛋白质相互作用的工具，并且为lncRNAS提供功能注释。本文通过重建转录本作为输入，LncADeep可以识别lncRNA，预测LncRNA-蛋白的相互作用，并提供IncRNAs功能注释(包括丰富的KEGG、反应体通路和功能模块) 。在全长转录本和包括部分长度的转录本上，LncADeep的性能优于最先进的lncRNA识别工具。此外，LncADeep在预测lncRNA–protein相互作用方面也优于最先进的工具。根据预测的lncRNA–protein相互作用，LncADeep为lncRNA提供了丰富的功能注释，符合已知的功能。

代码

https://github.com/cyang235/LncADeep/

参考文献

https://academic.oup.com/bioinformatics/article/34/22/3825/5021677