編輯丨王多魚

排版丨水成文

RNA修飾是“表觀轉(zhuǎn)錄組學”的核心研究對象，廣泛參與 RNA 穩(wěn)定性、剪接和翻譯等生物學過程，精準調(diào)控 RNA 命運。牛津納米孔技術（ONT）推出了直接RNA測序（DRS）方案，無需擴增直接對 RNA 分子進行測序，通過捕捉其穿過納米孔時產(chǎn)生的電信號差異，并借助計算建模區(qū)分不同修飾類型，從而實現(xiàn)在單次實驗中同時檢測多種 RNA 修飾。隨著該技術的應用，大量用于解析 DRS 數(shù)據(jù)中修飾信號的算法不斷涌現(xiàn)。

然而，這些算法的性能究竟如何？能否準確區(qū)分不同的修飾類型？面對 DRS 技術的持續(xù)迭代，計算工具應如何適應？這些問題始終懸而未決。

2025 年 12 月 10 日，同濟大學史偈君教授團隊在Nature Methods期刊發(fā)表了題為 ：Systematic Evaluation of Computational Tools for Multitype RNA Modification Detection Using Nanopore Direct RNA Sequencing 的研究論文。

該研究構建了高質(zhì)量、單堿基分辨率的基準數(shù)據(jù)集作為“金標準”，并從準確性、生物學合理性、跨樣本泛化能力及計算效率四個維度出發(fā)，設置了十余項評估指標，對 86 種基于直接RNA測序（DRS）技術的RNA修飾檢測算法進行了迄今為止最系統(tǒng)全面的“大比武”。研究涵蓋了 m6A、假尿嘧啶（Ψ）、m5C、A-to-I 編輯，m1A 和 m7G 這六種重要RNA修飾，不僅揭示了現(xiàn)有工具的性能差異與局限，還通過大規(guī)模重訓練，展示了模型的遷移能力。

本研究的主要發(fā)現(xiàn)包括：

1）模型重訓練策略顯著提升檢測性能：僅使用體外轉(zhuǎn)錄（IVT）RNA 訓練的工具在應用于真實生物樣本時表現(xiàn)不佳。而將兩者結(jié)合進行重訓練，能極大提升工具的預測準確性和跨數(shù)據(jù)集泛化能力，尤其對 Ψ、m5C 和 A-to-I 等非 m6A 修飾效果明顯。

2）m6A檢測工具整體表現(xiàn)優(yōu)異，非m6A工具仍面臨挑戰(zhàn)：Dorado 和 SingleMod 模型在 m6A 的定性和定量分析中均表現(xiàn)突出。然而大多數(shù)非 m6A 修飾檢測工具在定量準確性和跨樣本泛化方面仍明顯不足。

3）生物學合理性是重要試金石：理想的檢測工具不僅需具備高準確性，其預測結(jié)果也應符合已知的生物學規(guī)律。研究發(fā)現(xiàn)，部分工具所預測的修飾位點分布與真實分布存在偏差。此外，m6Anet 模型憑借其多示例學習（MIL）模塊的合理設計，在區(qū)分野生型與酶敲除樣本方面表現(xiàn)優(yōu)異，凸顯了算法設計對提升生物學解釋力的重要性。

4）工具難以區(qū)分相同堿基上的不同修飾：研究首次系統(tǒng)揭示，當前工具在單堿基分辨率下仍難以可靠區(qū)分發(fā)生在同一堿基上的不同修飾（例如同樣位于腺苷的 m6A、m1A 和 A-to-I 編輯），易導致“模糊預測”，是未來算法優(yōu)化的重要方向。

5）重訓練模型可適配DRS技術迭代：隨著 DRS 技術從 RNA002 升級至 RNA004，測序通量得到提升，但電信號特征的變化使舊版算法無法直接遷移。該研究提出的重訓練模型可有效適配 RNA004 數(shù)據(jù)，緩解了新版本數(shù)據(jù)分析工具短缺的現(xiàn)狀。

為促進領域發(fā)展，研究團隊發(fā)布了全面的算法性能總結(jié)與在線資源平臺——NaRMBench，將每個工具的 12 項關鍵性能指標整合為交互式雷達圖（平臺地址：https://jiejunshi.github.io/NaRMBench_radar），方便用戶根據(jù)需求進行選擇與比較。該工作不僅為實驗學者篩選適用分析工具提供了實用依據(jù)，也為算法開發(fā)指明了優(yōu)化方向，為完善 RNA 修飾檢測方法學奠定了重要的基準資源與權威指導。

同濟大學生命科學與技術學院史偈君教授為論文通訊作者，課題組研究生羅婷婷與徐默萍為共同第一作者，研究生王淼、陳發(fā)迎亦對該研究做出重要貢獻。該研究獲得國家自然科學基金資助。

論文鏈接：

https://www.nature.com/articles/s41592-025-02974-y