非编码RNA中癌症相关sORF预测的特征表示系统评价

非编码RNA（ncRNA）中的短开放阅读框（sORFs）已成为基因调控中的一个隐匿层，编码的小肽构成了一类具有诊断和治疗潜力的新型癌症调控因子。然而，推断sORFs与特定癌症类型之间的关联仍然充满挑战，并且需要借助计算方法进行准确预测。近期，CoraL框架提出了首个用于预测癌症相关肽的计算方法，其主要聚焦于模型架构，而忽视了特征提取策略如何影响预测精度。我们系统评估了机器学习模型和特征提取方法在15种癌症类型中预测癌症相关sORFs的表现。我们对七种传统机器学习算法与三种特征提取方法的组合进行了基准测试，这三种方法分别为k-mer频率、Word2Vec嵌入以及基于基因组语言模型（gLM）的嵌入。据我们所知，这是首个将gLM衍生嵌入应用于ncRNA中癌症相关sORFs预测的研究。 我们的结果表明，配合适当特征提取的传统机器学习模型在所有癌症类型上均优于CoraL基线，并且在所评估的15个数据集中，部分数据集的准确率提升最高可达10%。值得注意的是，在未进行微调的情况下，k-mer特征始终优于gLM嵌入，这表明局部序列组成可能为该任务提供了更具判别力的信息，同时也说明预训练的基因组表示可能需要经过任务特异性的适配，才能充分捕捉这些模式。此外，我们观察到，序列的分词方式（如k-mer长度）会影响性能：较长的片段（例如k=7）有时会降低随机森林的准确率，但对多层感知机（MLP）的影响较小。我们的研究发现表明，与提高模型复杂性相比，恰当的特征工程能够带来更显著的性能提升。

本网站正在使用一项安全服务来保护自身免受在线攻击。您刚刚执行的操作触发了该安全防护机制。可能触发此拦截的行为有多种，包括提交特定的单词或短语、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，并附上位于本页面底部的 Cloudflare Ray ID。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.16.732659v1?rss=1

🏷️ 非编码RNA 短开放阅读框 癌症预测 特征工程 机器学习 基因组语言模型