利用基因组语言模型系统映射原核生物非编码序列空间

原核基因组中散布着核酶、核糖开关、CRISPR RNA 等大量非编码元件，但要在序列层面系统刻画它们一直很困难。RNA 只有四个字母，信息密度低于蛋白的二十字母，序列保守性也弱，BERT 类 RNA 语言模型难以捕捉其进化信号，此前的 RNA-MSM 只能依赖 RNAcmap 流程提供的同源序列构建多重比对作为基础 ^[1]，比对始终是绕不开的前提。与此同时，语言模型的进展更多体现在蛋白侧：蛋白语言模型已被广泛用于预测蛋白–核酸结合位点 ^[2,4]，基因组语言模型也在蛋白下游任务上表现出可与蛋白语言模型竞争、且互补的序列表征能力 ^[3]。新论文开篇即点出症结所在：间区元件的序列多样性之高，使基于比对的聚类根本无法支撑非编码 RNA 家族的注释与发现。

这项工作于是绕开比对，直接在原核间区 DNA 序列上微调一个基因组语言模型，令其从序列本身学出非编码元件的表征，再以这些嵌入做聚类。作者把来自 1.3 Tbp 原核基因组和宏基因组的 3.76 亿个间区序列组织成 514 万个簇，并提名出 20,149 个带有候选蛋白搭档的推定结构化 RNA 簇。token 熵的周期性进一步暴露了元件的内部架构：仅凭序列就复原了 CRISPR、TIGR、VIPR 阵列及其同源效应蛋白。对桥重组酶邻近序列的定向聚类则发现了向导识别序列比任何已表征同源物都更长的 bridge RNA 变体。作者还派出多个 AI agent 团队，按研究者设定的标准挖掘该数据库，找到多个分化核糖开关、核酶及其他结构化 RNA 并给出功能假说，数据库已向公众开放。

这一步的意义在于路线的转换。相比依赖同源序列与比对的 RNA 语言模型路线 ^[1]，本文把基因组语言模型的表征能力 ^[3] 直接落到了此前无序可循的间区序列上：不做比对，就在 Tbp 尺度上为非编码序列空间建立可导航的组织结构，把基因组“暗物质”变成人机协同探索的资源。与在蛋白侧预测核酸结合位点的工作 ^[2,4] 不同，RNA 与蛋白的关联在此以簇为单位被提名，并进一步支撑了对新序列变体的定向挖掘。

当然，簇层面的注释多属推定：结构化 RNA 与候选蛋白搭档的配对、AI agent 提出的功能假说都还需要实验检验，加长版 bridge RNA 的作用也有待进一步表征。如何在这个 514 万簇的资源上系统开展验证，是留给社区的下一个问题。