上海交大余祥课题组发布可迁移深度学习模型，鉴定多类型 RNA 修饰、显著减少计算成本
内容提要
上海交通大学研究团队开发了TandemMod深度学习模型，可直接在纳米孔中鉴定多种RNA修饰，减少数据量和训练时间，具有高准确性，适用于不同物种的DRS数据测序。
延伸解读
RNA修饰检测的技术瓶颈与突破
传统纳米孔直接RNA测序结合深度学习方法虽能识别单个碱基修饰，但难以在单样本中同时检测多种修饰类型。TandemMod通过迁移学习，在保证性能的同时显著减少训练数据量和计算成本，为多类型RNA修饰的并行鉴定提供了新方案。
TandemMod的性能优势与验证
在m⁶A和m⁵C识别中，TandemMod准确率分别达0.90和0.95，优于XGBoost、SVM等经典算法。与tombo、nanom6A等工具相比，其在ROC-AUC上表现更优，且无需阴性对照即可预测不同修饰率样本，展示了在DRS数据中的高准确性和鲁棒性。
迁移学习带来的计算效率提升
TandemMod利用迁移学习，在预训练模型基础上仅需少量数据微调即可适应新修饰类型。研究表明，该方法在保持同等性能的同时，大幅减少了训练集数据量和模型训练时间，降低了计算资源需求，为RNA修饰研究提供了高效工具。
跨物种应用与表观修饰图谱绘制
TandemMod在人类细胞系和水稻中验证了其跨物种适用性。研究团队利用该模型绘制了水稻在高盐胁迫下m⁶A、m⁵C和Ψ的表观修饰图谱，揭示了mRNA中m⁶A和m⁵C的共修饰及其修饰率变化，为植物胁迫响应研究提供了新视角。
Q&A
TandemMod模型的主要功能是什么？
TandemMod模型能够在纳米孔中鉴定多种RNA修饰，显著减少数据量和训练时间，适用于不同物种的DRS数据测序。
RNA修饰在生物学中有什么重要性？
RNA修饰是重要的转录后调控方式，参与多种生物学功能，如影响细胞生长和疾病相关性。
TandemMod模型如何减少计算成本？
TandemMod通过迁移学习技术显著减少了训练集数据量和模型训练时间，从而降低计算成本。
TandemMod在RNA修饰识别中的准确性如何？
TandemMod在m⁶A和m⁵C的识别中表现出高准确率，优于其他经典机器学习算法。
TandemMod模型的训练过程是怎样的？
TandemMod模型的训练包括数据预处理、模型预训练和迁移学习，使用多组数据集进行实验。
TandemMod模型的应用范围有哪些？
TandemMod可用于动植物和微生物体内的RNA修饰位点鉴定及表观转录组研究，也适用于检测RNA疫苗等人工修饰的RNA。
