北京工业大学环境与生命学院生物医学工程系，北京

收稿日期：2023年5月10日；录用日期：2023年6月12日；发布日期：2023年6月19日

摘要

长链非编码RNA (Long non-coding RNAs, lncRNAs)是细胞增殖和死亡的重要调控因子，它的失调可能会导致多种疾病发生。LncRNAs主要是通过与蛋白质相互作用(lncRNA-protein interactions, lncRPIs)来发挥生物学功能。因此，研究lncRPIs对了解lncRNAs的功能及相关疾病至关重要。目前，多数计算方法依赖于已知的验证过的lncRPIs构建模型，但经过实验验证的样本是有限的。MiRNAs主要是与mRNAs结合导致基因沉默，而lncRNAs可作为竞争性内源性RNA，竞争性的结合miRNAs来间接地调节基因表达。本文提出LPI-MAM方法，使用miRNAs作为中间体来扩大lncRPIs的预测范围。该方法将序列、结构和组成转换分布特征融合，输入卷积神经网络和独立循环神经网络的集成深度学习框架中。结果表明，LPI-MAM在基准数据集上取得了良好的性能。并且通过构建可视化交互网络发现该模型具有预测未知lncRPIs的能力。

关键词

LncRNA-蛋白质相互作用，miRNA，中间体，组成转换分布，深度学习

LPI-MAM: Predicting lncRNA-Protein Interactions with miRNAs as Mediators Based on Deep Learning

Wenyan Qu, Jing Yan, Xiaoyi Li, Jianjun Tan^*

Department of Biomedical Engineering, Faculty of Environment and Life, Beijing University of Technology, Beijing

Received: May 10^th, 2023; accepted: Jun. 12^th, 2023; published: Jun. 19^th, 2023

ABSTRACT

Long non-coding RNAs (lncRNAs) are crucial regulatory factors of cell proliferation and death, its dysregulation may lead to the occurrence of a variety of diseases. LncRNAs play biological functions mainly through lncRNA-protein interactions (lncRPIs). Therefore, it becomes essential to study the interactions between lncRNA and protein (lncRPIs) for exploring the function of lncRNAs. At present, almost computational methods depend on known lncRPIs to build a model. However, the samples that have been verified are limited. MiRNAs mainly bind to mRNAs to cause gene silencing. As competitive endogenous RNAs (ceRNAs), lncRNAs can indirectly regulate gene expression by competitively binding miRNAs. This study proposes the LPI-MAM method, which uses miRNAs as mediators to expand the prediction range of lncRPIs. The features of sequence, structure and composition transformation distribution (CTD) are fused and then input into the integrated deep learning framework of convolutional neural network (CNN) and independent recurrent neural network (IndRNN). The results indicate that LPI-MAM has achieved good performance on benchmark dataset. And by constructing a visual interaction network, it is found that the model has the ability to predict unknown lncRPIs.

Keywords:LncRNA-Protein Interactions, MicroRNA, Mediators, Composition Transformation Distribution, Deep Learning

Copyright © 2023 by author(s) and Hans Publishers Inc.

This work is licensed under the Creative Commons Attribution International License (CC BY 4.0).

http://creativecommons.org/licenses/by/4.0/

1. 引言

非编码RNAs (non-coding RNAs, ncRNAs)是指不编码蛋白质的RNA。根据ncRNAs的长度可以将其分为小ncRNAs和长ncRNAs (long non-coding RNAs, lncRNAs)。LncRNAs控制着转录、翻译和剪接等许多细胞基本过程，它的失调可能会导致许多疾病发生。因此，探索lncRNAs的功能有助于理解相关疾病的机理。一般来说，lncRNAs可以结合许多类型的生物分子，如miRNAs、mRNA、DNA和蛋白质 [1] 。其中，lncRNAs与蛋白质的相互作用(lncRNA-protein interactions, lncRPIs)是lncRNAs发挥其功能的重要途径。因此，可以通过研究lncRPIs来了解lncRNAs的功能和相关疾病的发病机制 [2] [3] 。

LncRPIs可以通过实验方法验证，也可以通过计算方法预测。计算方法通常是基于机器学习、深度学习或网络算法，它可以为生物实验提供指导意见。目前已经有许多计算方法可以预测lncRPIs。Muppirala等人 [4] 提出了RPISeq，该方法使用RNA和蛋白质序列数据作为输入来预测RNA-蛋白质相互作用。然后提出RPISeq的两种变体，分别是使用支持向量机(support vector machine, SVM)的RPISeq-SVM和使用随机森林(random forest, RF)的RPISeq-RF。Peng等人 [5] 提出了RPITER。该方法通过改进联合三元特征(conjoint triad feature, CTF)编码，使RNA和蛋白质具有全面的序列和结构特征。Pan等人 [6] 提出了IPMiner，它使用堆叠的自编码器从蛋白质和RNA序列的综合特征中提取隐藏的序列相互作用。然后将提取的信息输入到RF中。Xiao等人 [7] 提出了PLPIHS，它由三个子网络组成，然后通过HeteSim指标计算lncRPIs在网络中的相互关系评分。最后，SVM分类器基于该评分预测lncRPIs。Hu等人 [8] 提出了HLPI-ensemble，集成了SVM、RF和极限梯度增强(extreme gradient boosting, XGBoost)三种算法来预测lncRPIs。Ge等人 [9] 提出了LPBNI，该方法建立了一个二分网络，把连接起来的lncRNA-蛋白认为是有相互作用的。然后在一种输入与输出均为二进制的人工神经网络中对每个lncRNA对应的蛋白进行评分和排序。本课题组Wang等人 [10] 基于深度学习，用EDLMFC融合序列、二级结构和三级结构来预测非编码RNA和蛋白质相互作用(ncRNA-protein interactions, ncRPIs)。Huang等人 [11] 提出了LPI-CSFFR，该方法将原始序列信息、二级结构信息和物理化学信息串联融合，最大限度地提高了各特征对预测结果的贡献。

以往研究中，几乎所有模型都依赖于已知的、经实验验证的lncRPIs来构建预测模型。然而，由于已被验证的lncRPIs数量有限，这就对先前多数方法的模型性能造成了一定的影响。为了扩大lncRPIs的可预测范围，Zhou等人 [12] 提出LPI-MMHN，选择将miRNAs作为中间体基于网络的方法构建相似矩阵，然后通过网络算法计算相关评分来预测lncRPIs。从生物层面看，MiRNAs通过抑制目标mRNA的翻译和破坏其稳定性来发挥调控作用。而lncRNAs可作为竞争内源性RNA (competition endogenous RNA, ceRNA)，与miRNAs竞争性的结合从而调节基因表达 [13] 。从数据层面看，Zhou等人 [12] 通过卡方检验统计分析也证明有共同miRNAs作为中间体的lncRPIs在所有的lncRPIs中所占的比例是很高的。因此，miRNAs被考虑作为预测lncRPIs的中间体。但是基于网络的方法预测lncRPIs时，只有lncRPIs在网络中才能够有效，这就使得模型很有局限性。另外lncRPIs网络由多个子网络组成，每个节点的分布不平衡也会影响其预测结果 [9] 。

在本研究中，miRNAs将作为中间体基于深度学习集成框架来预测lncRPIs，称为LPI-MAM。该方法以序列信息、二级结构信息和组成转换分布(composition transformation distribution, CTD)信息为输入，通过卷积神经网络(convolutional neural network, CNN)和独立循环神经网络(independent recurrent neural network, IndRNN)的集成深度学习模型提取特征，最后利用softmax函数对lncRPIs进行预测。结果表明，在RAIDv2.0和RPI5392数据集上，LPI-MAM的准确率分别为92.23%和98.83%。与LPI-MMHN [12] 、RPITER [5] 、IPMiner [6] 和PRPI-SC [14] 方法相比，本文提出的LPI-MAM方法综合性能最好。此外，通过构建可视化预测网络表明LPI-MAM有预测新的交互关系的能力。

2. 材料和方法

2.1. 基准数据集

RAIDv2.0 [15] 是一个大规模的生物分子相互作用数据库。本研究从Zhou等人 [12] 提出的LPI-MMHN研究中下载了1356个lncRNA-miRNA相互作用、1156个蛋白质-miRNA相互作用以及1925个lncRNA-蛋白质相互作用。其中lncRNA-miRNA相互作用和蛋白质-miRNA相互作用是通过共同miRNAs筛选出来的。然后，根据已验证的1925个lncRNA-蛋白互作对，从1356个lncRNA-miRNA互作对和1156个蛋白-miRNA互作对中筛选出2329个lncRNA-miRNA-蛋白互作对作为阳性样本。由于RNAfold [16] 预测lncRNA的最优二级结构时，为保证对应的自由能(minimum corresponding free energy, MFE)最小，序列长度被限制在1万内。最终筛选出2134个lncRNA-miRNA-蛋白相互作用对作为阳性样本。阴性样本为2089个lncRNA-miRNA有相互作用，miRNA-蛋白有相互作用，但lncRNA-蛋白之间没有相互作用的样本。数据按7:3分成两部分。一部分是训练集，训练集有1493对正样本和1462对负样本。另一部分是测试集，有641个正样本和627个负样本。然后从Zhou等人 [12] 提出的LPI-MMHN研究中，再下载20425对lncRNA-miRNA，1349对蛋白-miRNA和2803对lncRNA-蛋白质。用类似的方法筛选训练集，命名为RPI5392。该数据集是将RAIDv2.0数据库中的大多数被丢弃的预测交互作用集成起来的一个更大的数据集。

2.2. 特征提取

2.2.1. 序列编码

LncRNA序列来源于NCBI基因库 [17] 。MiRNA序列从miRBase数据库中获得 [18] 。蛋白质序列来源于UniProt数据库 [19] 。对于无法找到的lncRNA，从Ensemble数据库中搜索 [20] 。本研究采用RPITER [5] 提出的序列编码方法，然后使用联合k-mer对lncRNA、miRNA和蛋白质进行编码。对于lncRNA选择1-4mer编码得到340 ( ${\displaystyle {\sum }_{k=1}^4{4}^k}$ )维的数值向量。由于miRNA的序列较短，若使用1-4mer编码，会使矩阵过于稀疏 [21] 。因此选择1-3mer对miRNA编码，得到84 ( ${\displaystyle {\sum }_{k=1}^3{4}^k}$ )个元素的编码向量。对于蛋白质，将20种氨基酸按照侧链体积和偶极矩分为G1~G7七类，选择1-3mer得到399个( ${\displaystyle {\sum }_{k=1}^3{7}^k}$ )个元素的编码向量。

2.2.2. 结构编码

LncRNA的结构信息通过RNAfold [16] 预测得到。LncRNA的二级结构包括环区和茎区，用括号和点表示。蛋白质的二级结构由SOPMA [22] 预测得到，它包括a-helix (H)，b-sheet (E)和coil (C)三种结构，用“hec”表示。与序列特征编码类似，结构特征也使用联合k-mer编码。LncRNA选择1-4mer得到30维( ${\displaystyle {\sum }_{k=1}^4{2}^k}$ )编码向量，蛋白质选择1-3mer得到39维( ${\displaystyle {\sum }_{k=1}^3{3}^k}$ )编码向量。

2.2.3. 组成转换分布特征

CTD来源于组成、转换和分布 [23] [24] ，共30维。本研究使用CTD特征来表示lncRNA和miRNA的结构信息 [21] 。组成特征是具有特定性质的核苷酸的数量与核苷酸总数的比。转换特征表示具有特定性质的核苷酸后紧跟的具有不同性质的核苷酸的频率百分比。分布特征是对具有特定性质的核苷酸位于链长的第一、1/4、1/2、3/4和最后一个位置进行链长测量。假设一个RNA的序列为“CTGTAATCACAGCTGTCAGG”，下面说明该RNA的CTD特征计算过程。该RNA序列包括5个A、5个G、5个T和5个C。那么组成特征分别为0.25、0.25、0.25和0.25。转换特征分别为0.105 (AT)、0.211 (AC)、0.105 (AG)、0.211 (TG)、0.211 (TC)、0.053 (GC)。分布特征的计算以核苷酸A为例，第一个节点位于序列的第5个位置。1/4、1/2、3/4和最后一个节点分别位于第6、9、11、18位。因此，A的分布特征为0.25、0.3、0.45、0.55、0.9。CTD特征考虑的是每个核苷酸前后的相关性，每个lncRNA和miRNA都可以被表示为一个30维的特征向量。

2.3. 模型设计

联合编码的lncRNA、miRNA和蛋白质的序列特征、二级结构特征结合CTD特征，分别形成400维、438维和114维的特征向量。将这三个特征向量输入CNN网络，提取隐藏的高级生物特征。然后再将学习到的高级特征输入到IndRNN层，学习特征之间的关系。最后将IndRNN层的三个输出连接在一起，利用softmax激活函数完成预测。整个工作流程如图1所示。

经过一系列调整，选择三层CNN结合一层IndRNN构建训练模型。通过优化模型的主要参数，如学习率、滤波器大小、内核大小、IndRNN隐藏大小等，为随机选择的验证集优化性能指标。蛋白质子网络的参数值为层数3；滤波器尺寸45、96、128；核大小6、6、6；丢包率：0.2、0.2、0.2；IndRNN隐藏大小64；全连接层大小64。对于lncRNAs子网络，除了内核大小分别为6、5和5外，其他参数值与蛋白质相同。MiRNA子网络的参数与lncRNA一致，只是内核大小分别为6、4和5。最后三层完全连接的神经元分别为128、64和2。该模型由Keras2.3.1完成。

图1. LPI-MAM流程图

2.4. 评估指标

本研究采用5倍交叉验证的方法，重复多次。评估指标的公式如下所示。此外，受试者工作特征曲线(receiver operating characteristic, ROC)下面积(AUC)指标也被使用。

$\text{ACC}=\frac{\text{TP}+\text{TN}}{\text{TP}+\text{TN}+\text{FP}+\text{FN}}$ (1)

$\text{SEN}=\frac{\text{TP}}{\text{TP}+\text{FN}}$ (2)

$\text{SPE}=\frac{\text{TN}}{\text{TN}+\text{FP}}$ (3)

$\text{PRE}=\frac{\text{TP}}{\text{TP}+\text{FP}}$ (4)

$\text{MCC}=\frac{\text{TP}\times \text{TN}\times \text{FP}\times \text{FN}}{\sqrt{\left(\text{TP}+\text{FP}\right)\left(\text{TP}+\text{FN}\right)\left(\text{TN}+\text{FP}\right)\left(\text{TN}+\text{FN}\right)}}$ (5)

$\text{F1}=\frac{2\times \text{SEN}\times \text{PRE}}{\text{SEN}+\mathrm{PRE}}$ (6)

其中TP代表真阳性样本，TN为真阴性样本，FP表示假阳性样本，FN是假阴性样本。准确率(accuracy, ACC)是表示预测正确的样本占总数据的比例。灵敏度(sensitivity, SEN)表示所有阳性样本的配对比例。特异性(specificity, SPE)反映阴性样本的预测能力。精度是PRE (precision)。马修斯相关系数(Matthews correlation coefficient, MCC)用于正负样本量不平衡的情况。F1分数是将SEN和PRE都考虑在内的综合指标。

3. 结果

3.1. 模型在不同数据集上的性能表现

构建的LPI-MAM模型在数据集RAIDv2.0和RPI5392上进行训练。从表1可以看出，RAIDv2.0数据集上的ACC值为92.23%，AUC值为96.80%，RPI5392数据集上的ACC值为98.83%，AUC值为99.67%。在两种数据集上均表现出较好的预测性能。

表1. 数据集RAIDv2.0和RPI5392上的训练结果

3.2. 特征分析

为了分析模型输入不同特征和不同特征组合时的性能差异，模型分别采用序列，序列与结构，序列与CTD，结构与CTD，序列、结构与CTD 5种情况在RAIDv2.0和RPI5392数据集上进行训练。结果见表2，图2是模型在数据集RAIDv2.0上训练得到的ROC曲线和精确率–召回率(precision-recall, PR)曲线。

图2. 在RAIDv2.0上不同特征输入时的模型性能。左图为ROC曲线。右图为PR曲线

从表2可以看出，当只输入结构特征和CTD特征时，模型的7个指标显著低于其他特征组合，说明序列信息的重要性。在RAIDv2.0数据集上，当所有特征都作为输入时，模型的七个指标都是最高的。其中ACC达到92.23%，AUC达到96.80%。同样，从表3可以看出，在RPI5392数据集中，当所有特征都作为输入时，模型的ACC、SPE、PRE、F1和MCC指标最高，只有SEN值略低于输入序列和结构组合，AUC值略低于仅输入序列时的情况。可见这些特征相互补充，覆盖了更全面的信息，使模型的预测性能达到最高。

表2. 数据集RAIDv2.0上不同特征的训练结果

表3. 数据集RPI5392上不同特征的训练结果

3.3. 与其他方法比较

将该模型LPI-MAM与LPI-MMHN [12] 、RPITER [5] 、IPMiner [6] 和PRPI-SC [14] 四种方法比较，结果如表4所示。从表4数据可以看出，LPI-MAM的ACC、SEN、F1和MCC显著高于其他模型。只有SPE值略低于RPITER和PRPI-SC，PRE和AUC值略低于PRPI-SC。总的来说，本研究提出的LPI-MAM整体性能是最好的。

表4. 在数据集RAIDv2.0上与其他不同方法比较

3.4. 构建lncRNA-miRNA-蛋白质网络

将从RAIDv2.0分出的三份数据作为测试集，输入到训练保存模型中，得到预测结果。将结果输入cytoscape [25] 构建lncRNA-miRNA-蛋白网络。由于有大量的相互作用，最终选择构建3个热点蛋白。

图3. 热点蛋白FMR1，DGCR8，PTBP1的预测网络。(a) 热点蛋白FMR1的预测网络，(b) 热点蛋白DGCR8的预测网络，(c) 热点蛋白PTBP1的预测网络

图3显示了构建的三种热点蛋白的网络。分别是FMR1蛋白，DGCR8蛋白，PTBP1蛋白。最外层紫色六边形节点为lncRNA，黄色圆形节点的中间层为miRNA，最内层的中心节点为蛋白质。它们之间的关系用边表示。黑色实线表示正确预测的相互作用，红色波浪线表示预测错误的相互作用，彩色虚线表示预测的可能的新相互作用。从图3可以看出，LPI-MAM模型具有预测新的相互作用的功能。例如，通过has-miR-29a-3p的介导，预测了FMR1蛋白与CIDECP之间的相互作用。DGCR8蛋白与LINC00094的相互作用则是通过has-miR-19a-3p的介导预测出来的。其中，FMR1的预突变与原发性卵巢功能衰竭和共济失调有关 [26] 。DGCR8对miRNA前体的加工很重要 [27] ，它还可以促进肿瘤对x射线辐射的抵抗 [28] 。PTBP1在剪接中起重要作用。PTBP1还在多种疾病中发挥糖酵解、肿瘤发生、侵袭和浸润的调节作用 [29] 。因此，lncRNA-miRNA-蛋白质网络的构建有助于识别关键蛋白与lncRNA之间的关系，这对于进一步探索关键蛋白与lncRNA的功能及相关疾病非常有帮助。

4. 总结与讨论

本研究提出LPI-MAM，它使用miRNAs作为中间体来预测lncRPIs。通过联合K-mer方法对序列、结构特征信息编码，再融合CTD特征输入到三层CNN中来提取隐藏的抽象特征，然后输入IndRNN学习特征之间的关系。分别形成lncRNA、miRNAs和蛋白质三个特征子网络，最后整合输出。该方法可以在先前研究的基础上扩大lncRPIs的可预测范围。与LPI-MMHN [12] 、RPITER [5] 、IPMiner [6] 和PRPI-SC [14] 相比，LPI-MAM在RAIDv2.0和RPI5392数据集中综合性能是最好的。一个原因是使用miRNAs作为中间体扩大了lncRPIs的可预测范围。另一个原因是不仅考虑了序列和二级结构，还考虑了序列中每个核苷酸之间的联系，这使得特征更加丰富。最后一个原因是深度集成模型是CNN和IndRNN的结合，在学习了隐藏的高级特征之后，模型还学习了特征之间的关系。此外，通过构建可视化预测网络，表明该方法有预测新的lncRPIs的能力。虽然本模型已经取得了良好的性能，但其可解释性还有待进一步的探索，这也是今后下一步工作研究的方向。

文章引用

屈文燕,颜 静,李晓毅,谭建军. LPI-MAM：以miRNAs为中介基于深度学习预测lncRNA-蛋白质相互作用
LPI-MAM: Predicting lncRNA-Protein Interactions with miRNAs as Mediators Based on Deep Learning[J]. 计算生物学, 2023, 13(02): 11-21. https://doi.org/10.12677/HJCB.2023.132002

参考文献