RNAStabFormer：面向脉冲追踪转录组学的区域感知多任务混合学习用于RNA稳定性预测

RNA 稳定性是转录后基因调控的核心层面之一，然而，基于脉冲-追踪转录组学获得的大规模稳定性标签在很大程度上依赖于定量区域、时间窗口定义以及重复样本质量控制。我们提出 RNAStabFormer，这是一种受控学习框架，用于根据转录本序列预测人类 RNA 稳定性代理指标。其核心模型 RAMHT 结合了针对 CDS 和序列的区域特异性核苷酸 Transformer 编码器、CDS 密码子流、人工设计的序列语法特征、门控融合机制以及四个任务特异性的回归头。我们利用 ENCODE BrU-seq/BruChase-seq 数据，通过交叉组合基因正义链与外显子正义链定量方式，以及晚期追踪 6 h/2 h 和全程追踪 6 h/0 h 保留比，构建了四个严格共识标签，并在固定的重复随机划分和染色体留出划分上评估所有模型。在染色体留出评估中，XGBoost 仍然是表现最强的独立模型，在四个标签上的 Pearson 相关系数中位数分别达到 0.504、0.544、0.546 和 0.778。RAMHT 与基于原始序列的深度模型相比具有竞争力，但并未在所有情况下都超过基于人工特征的基线模型。尽管如此，严格嵌套的 RAMHT--XGBoost 融合模型相较于 XGBoost，仍将基因全程追踪预测的平均 Pearson 相关系数提高了 0.017，并将外显子晚期追踪预测提高了 0.004。区域与机制分析表明，CDS、局部 k-mer 组成以及对密码子敏感的信号主导了预测信息。因此，RNAStabFormer 不仅提供了一个多任务神经模型，也提供了一套用于基于脉冲-追踪数据进行 RNA 稳定性预测的、受信息泄漏控制的评估方案。

本网站正在使用一项安全服务来保护自身免受在线攻击。您刚才执行的操作触发了该安全解决方案。可能触发此拦截的行为包括提交某些特定词语或短语、SQL 命令或格式错误的数据。

您可以向网站所有者发送电子邮件，告知其您遭到拦截。请在邮件中说明此页面出现时您正在进行的操作，并附上本页面底部显示的 Cloudflare Ray ID。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.19.733389v1?rss=1

🏷️ RNA稳定性 转录组学 多任务学习 Transformer 脉冲追踪测序 序列预测