構造に敏感なグラフ学習は,組織や種にまたがってRNAの編集性を予測します

科学分野:

• バイオケミストリー バイオケミストリー
• コンピュータ生物学 コンピュータ生物学
• ゲノミクスゲノミクスとは

背景:

• ADAR酵素によって媒介されるアデノシン-イノシン (A-to-I) RNA編集は,治療的可能性を秘めた重要な転写後の改変である.
• A-to-I編集部位を予測するのは,単に配列ではなく,二重鎖RNA (dsRNA) の幾何学と安定性に依存しているため難しい.
• 現在のモデルは,ADAR酵素認識の複雑な構造的決定因子を捉えるのに苦労しています.

研究 の 目的:

• A-to-I RNA編集サイトを予測するための構造明示的なコンピューティングフレームワークを開発する.
• dsRNAの構造的特徴を組み込むことにより,RNA編集の予測の精度を向上させる.
• 異なる種間のADAR基板認識の保存原理を調査する.

主な方法:

• A dar E dit を開発し,dsRNA サブストラットをバックボーンとベースペアのエッジを持つ核酸グラフとして表現するグラフ注意枠である.
• タイプされた相互作用とモチーフに敏感なシーケンスブランチでグラフ表現を拡張しました.
• RNAfoldで予測された二次構造とGTEx RNA-seqデータを使用して,ヒトの逆転Aluデュプレックスでモデルをトレーニングし,評価しました.

主要な成果:

• A dar E ditは,複数の組織コンテキストにおけるシーケンスのみCNN,トランスフォーマー,RNA言語モデルを一貫して上回りました.
• ヒト組織データを組み合わせて,高い差別性能 (AUROC/AUPRC = 0.96; F1 ≈ 0.90) を達成しました.
• グラフ表現の進化的に遠い非アルー種への成功移転性を実証し,保存されたADAR認識原理を明らかにしました.

結論:

• A dar E ditは,A-to-I RNA編集部位を予測するための強力な,構造意識のアプローチを提供します.
• この発見は,ADAR基板認識におけるdsRNA構造の重要性を強調し,種間において原則が保たれている.
• モデルの注意プロファイルと変異変異分析は,生化学的制約とRNA編集に対する長期的な構造的影響についての洞察を提供します.