PLEK升级了：PLEKv2工具在RNA序列分析中的卓越表现

使用 PLEKv2 识别鉴定lncRNA，只需要输入RNA的序列（fa文件）即可。

在生物信息学领域，长非编码RNA（lncRNA）和信使RNA（mRNA）的准确区分对于理解基因调控机制至关重要。随着深度学习技术的兴起，我们迎来了PLEKv2——PLEK工具的全新升级版，它在RNA序列分类精度方面取得了显著提高。这里探讨PLEKv2的技术亮点、实现细节以及在多样化数据集上的应用表现，并展望其在未来研究中的潜在影响。PLEKv2软件可以在https://sourceforge.net/projects/plek2/上免费获取。

 

一、引言

随着高通量测序技术的飞速发展，生物信息学正面临着前所未有的数据量和复杂性挑战。RNA序列的分类作为基因功能研究的基础，其准确性直接影响后续的生物学解释和应用。PLEKv2的问世，正是为了应对这一挑战，通过深度学习技术提升RNA序列的分类效率和准确性。

二、PLEKv2技术亮点

高准确率： PLEKv2在人类数据集上达到了98.7%的预测准确率，这一成绩在同类工具中遥遥领先。

跨物种预测： 该工具不仅适用于人类，还能进行跨物种的RNA序列预测，显示出良好的泛化能力。

植物数据适用性： PLEKv2在植物数据集上同样表现出色，

Coding-Net模型： 该工具采用了创新的Coding-Net模型，结合k-mer频率和ORF长度特征，为RNA序列分类提供了新的视角。

三、实现细节

PLEKv2的技术实现涵盖了数据预处理、特征提取、深度学习模型构建和超参数调优等多个环节：

数据预处理： 如图1。

数据收集：首先从公共数据库如GENCODE和RefSeq获取人类lncRNA和mRNA的序列数据。

数据清洗：去除序列长度不足200个核苷酸的短序列。

替换序列中的'U'（尿嘧啶）为'T'（胸腺嘧啶），因为在DNA中通常使用'T'表示胸腺嘧啶。符号标准化：将序列中所有混合碱基符号（如'R', 'Y', 'M', 'K', 'S', 'W', 'H', 'B', 'V', 'D'和'N'）替换为'N'，表示不确定的碱基。

序列平衡：为了确保模型不会因为某一类别的样本数量过多而产生偏差，对lncRNA和mRNA的样本数量进行随机抽样，以保持两者数量相等。

特征计算：计算加权k-mer频率，k-mer是长度为k的核苷酸序列模式，PLEKv2中对不同长度的k-mer（通常是1到6）出现的频率进行统计和加权。

计算开放阅读框（ORF）长度：ORF是DNA或RNA序列中可能编码蛋白质的部分，PLEKv2通过寻找起始密码子（ATG）和终止密码子来确定ORF的长度，并进行归一化处理。

图1 数据预处理

特征提取： PLEKv2利用k-mer频率和ORF长度构建了特征向量，为深度学习模型提供了丰富的输入信息。

深度学习模型： 如图2所示，PLEKv2采用了卷积神经网络（CNN）和全连接层，有效提取并学习了RNA序列的特征。

图2 网络模型

超参数调优： PLEKv2通过细致的超参数调优，进一步提升了模型的性能和泛化能力。

四、应用表现

PLEKv2在多个层面上展现了其强大的应用潜力：

如表1所示，PLEKv2在人类数据集上的预测准确率达到了98.7%，这一结果显著高于其他传统工具和一些早期的深度学习模型。这种高准确率意味着PLEKv2能够非常可靠地区分长非编码RNA（lncRNA）和信使RNA（mRNA）。

与其他现有的lncRNA和mRNA识别工具相比，如CPC2、CNCI、Wen等人的CNN、LncADeep、PLEK和NcResNet，PLEKv2在多项评估指标上均表现出更高的性能。

PLEKv2使用基于k-mer频率和校准ORF长度的特征向量，这些特征向量在人类数据集上显示出极高的区分能力。特别是当k=6时，模型的准确率显著提高。

在人类数据集上的测试表明，PLEKv2不仅在训练集上表现良好，而且在独立的测试集上也能保持高准确率，这证明了模型的泛化能力。PLEKv2在保持高准确率的同时，还展现出了较高的计算效率。它在处理时间和内存使用方面都优于许多其他工具，这使得PLEKv2在实际应用中更为实用。

表1 多个模型对比

Models	Precision	Recall	F1score	Accuracy
CPC2	0.942	0.856	0.897	0.906
CNCI	0.914	0.975	0.944	0.950
CNN	0.792	0.821	0.806	0.821
LncADeep	0.960	0.980	0.970	0.973
PLEK	0.962	0.941	0.938	0.938
PLEKv2	0.986	0.986	0.986	0.987
NcResNet	0.492	0.498	0.496	0.498

跨物种预测： 如表2所示，PLEKv2在灵长类动物数据集上显示出良好的泛化能力，准确率高于其他工具。

表2 灵长类动物数据集上测试结果

Species	Tool	Precision	Recall	F1score	Accuracy
Pan troglodytes	CPC2	0.755	0.938	0.837	0.879
	CNCI	0.849	0.899	0.873	0.913
	LncADeep	0.870	0.939	0.903	0.934
	PLEK	0.842	0.872	0.856	0.904
	PLEKv2	0.873	0.940	0.905	0.935
	NcResNet	0.343	0.532	0.417	0.511
Macaca mulatta	CPC2	0.954	0.902	0.927	0.926
	CNCI	0.937	0.966	0.951	0.945
	LncADeep	0.968	0.913	0.944	0.932
	PLEK	0.882	0.885	0.883	0.873
	PLEKv2	0.948	0.957	0.952	0.952
	NcResNet	0.544	0.489	0.516	0.503
Gorilla gorilla	CPC2	0.998	0.917	0.955	0.918
	CNCI	0.998	0.874	0.932	0.874
	LncADeep	0.999	0.905	0.950	0.905
	PLEK	0.999	0.838	0.911	0.838
	PLEKv2	0.999	0.922	0.959	0.922
	NcResNet	0.981	0.525	0.684	0.525

植物数据集： 在植物数据集上，PLEKv2的准确率超过95%，如表3所示，证明了其在植物RNA序列分类上的优越性。

表3 植物数据集上测试结果

Species	Dataset type	Number of transcripts	CPC2	PLEK	PLEKv2
Arabidopsis thaliana	Coding	388	85.90%	60.2%	95.7%
	Non-coding	388	97.30%	91.20%	95.7%
Arabidopsis lyrata	Coding	37026	94.20%	62.90%	96.9%
	Non-coding	795	95.60%	100%	98.2%
Oryza sativa	Coding	37389	96.50%	78.90%	95.30%
	Non-coding	1011	100%	100%	100%

含有短ORF的人类RNA（短肽）： 使用PLEKv2来预测含有短ORF的人类RNA。PLEKv2测试使用的数据来自CPPred，包括641个编码RNA和641个lncRNA。结果表明，PLEKv2的预测准确率为89.2%，显著高于CPPred（准确率为80.66%）。这表明，PLEKv2即使在处理复杂的短RNA序列时也能保持着高性能。

五、结论与展望

PLEKv2作为PLEK工具的全新升级版，不仅在技术上实现了突破，更在实际应用中展现了卓越的性能。随着生物医学研究的不断深入，PLEKv2有望在未来的研究中发挥更大的作用，为科研人员提供更加精准的RNA序列分类工具。

六、数据和材料的可用性

PLEKv2的开放源代码可以在https://sourceforge.net/projects/plek2/上在线获取。

论文地址（开放访问）：PLEKv2: predicting lncRNAs and mRNAs based on intrinsic sequence features and the coding-net model | BMC Genomics | Full Text

七、参考文献

Aimin Li, Haotian Zhou, Siqi Xiong, Junhuai Li, Saurav Mallik, Rong Fei, Yajun Liu, Hongfang Zhou, Xiaofan Wang, Xinhong Hei, Lei Wang. PLEKv2: predicting lncRNAs and mRNAs based on intrinsic sequence features and the coding-net model. BMC Genomics 2024, 25(1):756. PLEKv2: predicting lncRNAs and mRNAs based on intrinsic sequence features and the coding-net model | BMC Genomics | Full Text

Aimin Li, Junying Zhang*, Zhongyin Zhou. PLEK: a tool for predicting long non-coding RNAs and messenger RNAs based on an improved k-mer scheme. BMC Bioinformatics, 2014, 15(1): 311~314.  PLEK: a tool for predicting long non-coding RNAs and messenger RNAs based on an improved k-mer scheme | BMC Bioinformatics | Full Text