JCIM｜华中师范大学赵蕴杰教授团队：新型机器学习方法预测RNA与小分子相互作用

2024年10月24日，华中师范大学生物物理研究所赵蕴杰教授团队在RNA与小分子相互作用的预测领域取得了重大进展。他们开发出了一种名为ZHMol-RLinter的机器学习模型，该模型能够高效、精准地预测RNA与小分子之间的结合偏好。这一成果为RNA靶向药物的设计提供了强大的技术支持，有望推动癌症、病毒感染等重大疾病的药物开发。

相关研究成果以A Machine Learning Method for RNA−Small Molecule Binding Preference Prediction为题，发表在Journal of Chemical Information and Modeling上。

RNA与小分子的相互作用——靶向药物设计的关键

近年来，随着基因组学和分子生物学的飞速发展，科学家们发现RNA不仅是遗传信息的载体，在细胞功能调控、基因表达以及疾病的发生和发展中扮演着重要角色。尤其是非编码RNA（ncRNA）——占人类基因组转录产物的绝大部分，虽然它们不编码蛋白质，但却在调控基因表达、信号传导等过程中具有核心作用。

RNA的独特性使其成为一种新兴的药物靶点。与传统的蛋白质靶点不同，RNA具有高度动态和复杂的结构特性，能够形成多种二级和三级结构，例如发夹环、内部环和假结结构等，这些结构往往与其生物功能密切相关。通过靶向这些RNA结构，科学家们能够调控基因表达，进而开发出具有治疗潜力的小分子药物。

例如，核开关（riboswitch）是一类能够通过小分子结合调节基因表达的RNA结构。特定的小分子可以通过结合核开关RNA，改变其构象，从而开启或关闭相关基因的表达。这一发现使RNA成为治疗感染、癌症以及遗传性疾病的重要靶点。

然而，RNA作为药物靶点也面临着诸多挑战。RNA的结构复杂且灵活，尤其是它在细胞内的三级结构动态性较高，预测RNA如何与小分子相互作用一直是科研领域中的一大难题。此外，实验方法如X射线晶体学、核磁共振（NMR）和冷冻电子显微镜等尽管可以提供RNA与小分子相互作用的结构信息，但这些技术往往耗时费力，成本高昂，难以大规模应用于药物筛选。

ZHMol-RLinter模型——双层堆叠的创新性突破

为了克服这一挑战，研究团队开发了ZHMol-RLinter模型:

模型的核心架构——双层堆叠随机森林

ZHMol-RLinter模型的核心创新在于它使用了双层堆叠（stacking）的随机森林模型。双层堆叠是一种增强机器学习模型性能的常用技术，能够通过组合多个子模型的结果，进一步优化预测准确性。在ZHMol-RLinter中，模型通过两层随机森林模型分别进行局部和全局的RNA-小分子结合偏好预测。

第一层（RF_1）：预测核苷酸与小分子的相互作用

第一层模型的输入为RNA的二级结构元件及其对应的小分子特征。RNA的特征包含序列、二级结构、几何特征、理化环境等，而小分子的特征则使用了MACCS指纹（166位二进制向量表示小分子的化学特性）。第一层模型预测每个RNA核苷酸是否与小分子结合，输出一个二进制结果（结合=1，不结合=0）。

第二层（RF_2）：预测结构元件与小分子的结合偏好

第一层的输出结果作为第二层模型的输入。第二层模型通过总结每个RNA结构元件（如发夹环、内部环等）中核苷酸的结合情况，预测该结构元件是否整体上与小分子发生结合。如果结构元件中的任何一个核苷酸被预测为与小分子结合，那么该结构元件整体将被预测为与小分子结合。

最终，如果RNA链中的任何结构元件被预测为与小分子结合，那么整个RNA链就被预测为能够结合该小分子。

图1 ZHMol RLinter的插图

数据处理和特征表示

为了让模型能够充分捕捉RNA与小分子的相互作用信息，研究团队对RNA和小分子分别构建了多种特征表示：

RNA的特征包括：

序列特征：使用4位的one-hot编码来表示每个核苷酸（A、G、C、U）。

二级结构特征：通过MXfold2算法预测RNA的二级结构，标记出哪些核苷酸配对（1表示配对，0表示未配对）。

表1 代表环基序的核苷酸特征

几何特征：使用拉普拉斯范数（Laplacian norm，LN）来捕捉RNA的三维表面形状。LN通过分析核苷酸之间的空间距离，反映其在拓扑结构中的凸起或凹陷程度。此外，还通过网络拓扑特征来分析RNA三级结构中的节点与边的关系，捕捉RNA结构在全局和局部的交互信息。

理化环境特征：包括核苷酸所包含的原子类型、原子的键合特征以及其电荷等信息。

小分子的特征使用MACCS指纹表示，这是一个常用的166位二进制向量，指示小分子化学性质的存在与否（例如氢键供体、受体等）。

数据集与模型训练

研究团队创建了一个专门的RNA-小分子数据库，包含125条RNA链和75个小分子。RNA链通过它们的功能被分为不同的类别（如核开关、适体、核酶等），并提取了4种主要的RNA二级结构元件。在训练时，模型使用了253个具有结合小分子的RNA元件作为正样本，以及267个未结合小分子的RNA元件作为负样本。

模型性能与评估

ZHMol-RLinter的性能在两个测试集上得到了评估：

RL98测试集：包含98个已知小分子与RNA的结合实例，模型在该测试集上取得了90.8%的成功率，大幅超越了其他已有的RNA-小分子结合预测方法（如R-BIND、RNAmigos等）。

UNK96测试集：这个测试集包含96个从未见过的小分子与RNA的结合实例。ZHMol-RLinter在这个未知小分子测试集上的成功率为77.1%，表明该模型具有极强的泛化能力，能够有效应对从未见过的小分子数据。

此外，研究还展示了ZHMol-RLinter在处理预测的RNA三级结构时的鲁棒性，模型能够在存在一定三级结构误差时（如RMSD达到8Å）仍然保持较高的F1分数（RL98测试集为68.2%，UNK96测试集为70.4%），表明该方法在RNA结构预测不精确的情况下依然具有很强的适应性。

图2（A，B）使用（A）RL98和（B）UNK96测试集对ZHMol RLinter和现有方法RNAmigos、R-BIND和RLigands进行比较。（C，D）在（C）RL98和（D）UNK96测试集上评估的ZHMol RLinter对结合偏好的性能。

图3 （A）使用trRosettaRNA预测的结构对ZHMol RLinter和RNAmigos进行比较。（B）使用trRosetta RNA计算的预测结构的均方根偏差（RMSD）分布。（C，D）使用（C）RL98和（D）UNK96测试集评估ZHMol RLinter在结合偏好方面的性能，测试集的结构由trRosettaRNARNA预测。对于小分子-RNA链结合偏好预测，RL98测试集的MCC为-4.6%。

模型的创新性与优势

双层堆叠的随机森林模型：该模型通过两层随机森林的堆叠方法，进一步优化了RNA与小分子的结合预测，能够在局部和全局两个层面上进行预测，捕捉更细致的相互作用信息。

多维度的RNA和小分子特征表示：模型不仅利用了RNA的序列和二级结构，还结合了几何特征、理化环境等高维度信息，确保了预测的全面性。

未知小分子上的优越表现：模型在未知小分子测试集上的成功率达到了77.1%，相比传统方法有显著提升，这使得该模型在新药开发中的应用潜力巨大。

处理预测结构的能力：即使在没有实验RNA三级结构的情况下，ZHMol-RLinter依然能够通过预测的RNA结构进行准确的结合预测，显示了极强的灵活性和实用性。

未来展望

ZHMol-RLinter的开发为RNA靶向药物设计提供了一种新的计算工具，它能够有效预测RNA与小分子之间的结合偏好，尤其在处理未知小分子数据时展现出极强的性能。未来，该模型有望被广泛应用于RNA靶向药物筛选、RNA功能研究以及RNA相关疾病的治疗策略开发中，为精准医疗和药物设计领域带来新的突破。

参考文献:

Chen Zhuo, Jiaming Gao, Anbang Li, et al. A Machine Learning Method for RNA–Small Molecule Binding Preference Prediction[J]. Journal of Chemical Information and Modeling.

本文转载自【星宸药研】公众号

--------- End ---------

感兴趣的读者，可以添加小邦微信加入读者实名讨论微信群。添加时请主动注明姓名-企业-职位/岗位 或 姓名-学校-职务/研究方向。