PLEK升级了：PLEKv2工具在RNA序列分析中的卓越表现

摘要：

使用 PLEKv2 识别鉴定lncRNA，只需要输入RNA的序列（fa文件）即可。

在生物信息学领域，长非编码RNA（lncRNA）和信使RNA（mRNA）的准确区分对于理解基因调控机制至关重要。随着深度学习技术的兴起，我们迎来了PLEKv2——PLEK工具的全新升级版，它在RNA序列分类精度方面取得了显著提高。这里探讨PLEKv2的技术亮点、实现细节以及在多样化数据集上的应用表现，并展望其在未来研究中的潜在影响。PLEKv2软件可以在https://sourceforge.net/projects/plek2/上免费获取。

关键词： PLEKv2, RNA序列分类，深度学习，生物信息学，跨物种预测

一、引言

随着高通量测序技术的飞速发展，生物信息学正面临着前所未有的数据量和复杂性挑战。RNA序列的分类作为基因功能研究的基础，其准确性直接影响后续的生物学解释和应用。PLEKv2的问世，正是为了应对这一挑战，通过深度学习技术提升RNA序列的分类效率和准确性。

二、PLEKv2技术亮点

高准确率： PLEKv2在人类数据集上达到了98.7%的预测准确率，这一成绩在同类工具中遥遥领先。

跨物种预测： 该工具不仅适用于人类，还能进行跨物种的RNA序列预测，显示出良好的泛化能力。

植物数据适用性： PLEKv2在植物数据集上同样表现出色，

Coding-Net模型： 该工具采用了创新的Coding-Net模型，结合k-mer频率和ORF长度特征，为RNA序列分类提供了新的视角。

三、实现细节

PLEKv2的技术实现涵盖了数据预处理、特征提取、深度学习模型构建和超参数调优等多个环节：

数据预处理： 如图1。

数据收集：首先从公共数据库如GENCODE和RefSeq获取人类lncRNA和mRNA的序列数据。

数据清洗：去除序列长度不足200个核苷酸的短序列。

替换序列中的'U'（尿嘧啶）为'T'（胸腺嘧啶），因为在DNA中通常使用'T'表示胸腺嘧啶。符号标准化：将序列中所有混合碱基符号（如'R', 'Y', 'M', 'K', 'S', 'W', 'H', 'B', 'V', 'D'和'N'）替换为'N'，表示不确定的碱基。

序列平衡：为了确保模型不会因为某一类别的样本数量过多而产生偏差，对lncRNA和mRNA的样本数量进行随机抽样，以保持两者数量相等。

特征计算：计算加权k-mer频率，k-mer是长度为k的核苷酸序列模式，PLEKv2中对不同长度的k-mer（通常是1到6）出现的频率进行统计和加权。

计算开放阅读框（ORF）长度：ORF是DNA或RNA序列中可能编码蛋白质的部分，PLEKv2通过寻找起始密码子（ATG）和终止密码子来确定ORF的长度，并进行归一化处理。

图1 数据预处理

特征提取： PLEKv2利用k-mer频率和ORF长度构建了特征向量，为深度学习模型提供了丰富的输入信息。

深度学习模型： 如图2所示，PLEKv2采用了卷积神经网络（CNN）和全连接层，有效提取并学习了RNA序列的特征。

图2 网络模型

超参数调优： PLEKv2通过细致的超参数调优，进一步提升了模型的性能和泛化能力。

四、应用表现

PLEKv2在多个层面上展现了其强大的应用潜力：

如表1所示，PLEKv2在人类数据集上的预测准确率达到了98.7%，这一结果显著高于其他传统工具和一些早期的深度学习模型。这种高准确率意味着PLEKv2能够非常可靠地区分长非编码RNA（lncRNA）和信使RNA（mRNA）。

与其他现有的lncRNA和mRNA识别工具相比，如CPC2、CNCI、Wen等人的CNN、LncADeep、PLEK和NcResNet，PLEKv2在多项评估指标上均表现出更高的性能。

PLEKv2使用基于k-mer频率和校准ORF长度的特征向量，这些特征向量在人类数据集上显示出极高的区分能力。特别是当k=6时，模型的准确率显著提高。

在人类数据集上的测试表明，PLEKv2不仅在训练集上表现良好，而且在独立的测试集上也能保持高准确率，这证明了模型的泛化能力。PLEKv2在保持高准确率的同时，还展现出了较高的计算效率。它在处理时间和内存使用方面都优于许多其他工具，这使得PLEKv2在实际应用中更为实用。

表1 多个模型对比

跨物种预测： 如表2所示，PLEKv2在灵长类动物数据集上显示出良好的泛化能力，准确率高于其他工具。

表2 灵长类动物数据集上测试结果

植物数据集： 在植物数据集上，PLEKv2的准确率超过95%，如表3所示，证明了其在植物RNA序列分类上的优越性。

表3 植物数据集上测试结果

含有短ORF的人类RNA（短肽）： 使用PLEKv2来预测含有短ORF的人类RNA。PLEKv2测试使用的数据来自CPPred，包括641个编码RNA和641个lncRNA。结果表明，PLEKv2的预测准确率为89.2%，显著高于CPPred（准确率为80.66%）。这表明，PLEKv2即使在处理复杂的短RNA序列时也能保持着高性能。

五、结论与展望

PLEKv2作为PLEK工具的全新升级版，不仅在技术上实现了突破，更在实际应用中展现了卓越的性能。随着生物医学研究的不断深入，PLEKv2有望在未来的研究中发挥更大的作用，为科研人员提供更加精准的RNA序列分类工具。

六、数据和材料的可用性

PLEKv2的开放源代码可以在https://sourceforge.net/projects/plek2/上在线获取。

论文地址（开放访问）：https://doi.org/10.1186/s12864-024-10662-y

七、参考文献

Aimin Li, Haotian Zhou, Siqi Xiong, Junhuai Li, Saurav Mallik, Rong Fei, Yajun Liu, Hongfang Zhou, Xiaofan Wang, Xinhong Hei, Lei Wang. PLEKv2: predicting lncRNAs and mRNAs based on intrinsic sequence features and the coding-net model. BMC Genomics 2024, 25(1):756. https://doi.org/10.1186/s12864-024-10662-y

Aimin Li, Junying Zhang*, Zhongyin Zhou. PLEK: a tool for predicting long non-coding RNAs and messenger RNAs based on an improved k-mer scheme. BMC Bioinformatics, 2014, 15(1): 311~314.  https://doi.org/10.1186%2F1471-2105-15-311