基于基因组语言模型的原核生物非编码元件协同进化挖掘

微生物基因组编码着紧凑的分子机器和多样的非编码RNA（ncRNA），这些分子对于基因调控、致病性以及许多基础性生物技术至关重要。然而，现有注释工作在很大程度上仍以蛋白质为中心，并依赖同源性分析。在此，我们提出Minerva，一种共进化挖掘框架，利用基因组语言模型直接从序列中预测局部相互作用，并将其表示为二维图谱。通过引入两种互补技术——分类雅可比指纹分析和相互作用预测头——我们展示了该框架能够快速、准确且无需序列比对地预测ncRNA碱基配对、单体蛋白质接触以及重复序列基序。在150个细菌基因组上的应用表明，Minerva不仅能够找回已知系统，还预测出84.3%的基因间区碱基配对位于已知注释之外。在假单胞菌属中，我们发现广泛存在的TwoAYGGAY ncRNA家族携带较大的二级结构延伸，并且其上游通常毗邻短的重复基序，下游则毗邻更长的基因组重复序列。通过解读共进化图谱，我们发现，尽管Minerva从未接受过相关训练，但它能够涌现式地检测DNA水平上的开放阅读框（ORF）特征。在这些基因组的前噬菌体中，我们发现，Unknown Group 27（UG27）逆转录酶系统编码一组结构上高度保守但序列多样性显著的ncRNA；这些ncRNA可作为模板，生成互补DNA（cDNA）发夹产物。综上，这些结果表明，共进化挖掘为在快速扩展的微生物宇宙中开展基因组注释和生物学发现提供了一条可扩展的途径。

微生物基因组编码着紧凑的分子机器和多种对基因调控、致病性及众多基础生物技术至关重要的非编码RNA（ncRNA）。然而，基因组注释在很大程度上仍以蛋白质为中心，并依赖同源性分析。在此，我们提出Minerva，一种共进化挖掘框架，利用基因组语言模型直接从序列中预测局部相互作用，并将其表示为二维图谱。通过引入两种互补技术——类别雅可比指纹提取和相互作用头——我们展示了对ncRNA碱基配对、单体蛋白质接触以及重复序列基序进行快速、准确且无需序列比对的预测。将该方法应用于150个细菌基因组后，Minerva不仅找回了已知系统，还预测出在所有预测的基因间碱基配对中，有84.3%位于已知注释之外。在假单胞菌属中，我们发现广泛存在的TwoAYGGAY ncRNA家族携带较大的二级结构延伸，并且其上游通常侧接短重复基序，下游则侧接更大的基因组重复序列。通过解读共进化图谱，我们发现，尽管Minerva从未接受过相关训练，它仍能在DNA层面自发检测出开放阅读框（ORF）特征。在这些基因组的前噬菌体中，我们发现未知组27（UG27）逆转录酶系统编码了一系列结构上保守但序列多样的ncRNA，这些ncRNA可作为模板生成互补DNA（cDNA）发夹产物。综上，这些结果表明，共进化挖掘为快速扩展的微生物世界中的基因组注释和生物学发现确立了一条可扩展的路径。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.22.753630v1?rss=1

🏷️ 基因组语言模型 非编码RNA 协同进化挖掘 原核生物基因组 基因组注释 计算生物学