2026-09-17
Helmholtz团队用223组eCLIP实验训练21M参数的多任务模型Parnet，直接预测碱基分辨率RBP结合；冻结嵌入在翻译效率、内含子保留和剪接变异上匹配或超过更大RNA语言模型。
RNA 语言模型现在的主流预训练是 masked language modeling：在海量无标注序列上做填空。这条路对结构预测和 ncRNA 分类够用，但对剪接、翻译、定位这类调控任务，模型往往要靠大量下游微调才把功能结构找回来。填空目标对每个碱基一视同仁，并不知道哪些位置在被蛋白质读。
更早的单任务模型 RBPNet 已经能从 CLIP-seq 预测某个 RNA-binding protein（RBP，RNA 结合蛋白）的结合足迹，但它一次只学一个实验，也没有被当成可复用的表征。Helmholtz Munich 和 Francis Crick Institute 这条线要验证的是：如果把 150 个 RBP 的结合图谱同时学下来，这个「RBP 密码」够不够当 RNA 的 foundation embedding。
Parnet 把 RBPNet 做成多任务 CNN。输入是 GENCODE 转录本切成的 600 nt 片段（相邻 overlap 150 nt），one-hot 之后过一层 128 通道、kernel 12 的 1D 卷积，再接 9 个带指数 dilation 的残差块。瓶颈层分出 223 个输出头，对应 ENCODE 上 223 个 eCLIP 实验（K562 和 HepG2，150 个不重复 RBP）。参数量从 RBPNet 的 0.5M 涨到 21M。训练用了 700,114 个片段，测试集锁在 3、8、15 号染色体。
每个头不是直接吐一条结合曲线。eCLIP 有很强的实验背景噪音，所以每个头拆成三条轨：对照轨学 size-matched input（SMI，体量匹配的空白对照）的交联分布，目标轨学蛋白特异结合，总轨是两者按混合系数 π 相加。损失里加一项 λπ，逼模型尽量把噪音推给对照轨。λ 从 0 扫到 80，跟 RNA Bind-n-Seq / RNAcompete 的体外 motif 对得最好的是 λ=10，下游都用这个设置。
下游任务大多冻住编码器，只在 mean-pool 后的嵌入上接线性层或两层 MLP。剪接位点那组额外做了端到端微调对照。变异评分不微调：看参考等位基因和突变等位基因的嵌入余弦距离，或看 223 条结合曲线的 Jensen-Shannon 散度。
结合曲线本身：held-out 转录本上 Pearson r 从 0.17 到 0.70，均值 0.48，相对重训过的单任务 RBPNet 平均提升 35%（Pearson）和 19%（Spearman）。ENCODE NarrowPeak 的 AUPRC 平均加 21%，单碱基 PureCLIP 交联位点 AUPRC 平均加 40%。提升集中在差数据：RBPNet 表现垫底 25% 的 RBP，Spearman 平均涨 40%；头部那一档只涨 3.6%。作者自己写了，21M 对 0.5M 再加更长上下文，不能把增益全算在多任务头上。
冻结嵌入接到轻量分类器，RNA 家族和基因组区域分类跟 Nucleotide Transformer、RiNALMo 持平或更好。去掉嵌入前两个主成分（跟长度、GC 相关）之后，那两家掉超过 10%，Parnet 几乎不动。lncRNA 染色质解离半衰期：线性回归 Pearson 0.33，三层网络 0.54，高于两家语言模型。翻译效率四套 Ribo-seq 里，肌肉组织 0.82 对 RiNALMo 的 0.78，前列腺癌 PC3 是 0.73 对 0.67，HEK293 持平。内含子保留：AUROC 0.90、AUPRC 0.91（图上 top-k 记为 0.906），RiNALMo 0.878，SpliceAI-400 0.863。
剪接位点三分类（供体 / 受体 / 非剪接）所有方法 AUROC、AUPRC 都高于 90%，Parnet 冻结嵌入已经和微调版几乎分不开；RiNALMo 冻结时最多掉 15%。零样本打 MutSpliceDB 的功能性剪接突变对邻近 gnomAD 良性变异：嵌入余弦距离 AUROC 0.974、AUPRC 0.891，OpenSpliceAI 是 0.799 / 0.801。结合曲线扰动 AUPRC 0.68，仍高于 phyloP。但在 SpliceBench 聚合集上 Parnet 排第二，AUROC 0.782、AUPRC 0.661，输给 SpliceAI 的 0.794 / 0.709。
没见过的细胞类型也能转：STMN2 在训练用的 K562 eCLIP 里不表达，模型仍然在 cryptic exon 上给出 TDP-43 结合，和 SH-SY5Y 的 iCLIP 对得上。
| 任务 | Parnet | 对照 |
| 结合曲线 Pearson | 均值 0.48（+35%） | 单任务 RBPNet |
| 内含子保留 AUPRC | 0.91 | RiNALMo 0.878 / SpliceAI 0.863 |
| MutSpliceDB AUPRC | 0.891 | OpenSpliceAI 0.801 |
| SpliceBench AUPRC | 0.661 | SpliceAI 0.709 |
| 翻译效率（肌肉） | 0.82 | RiNALMo 0.78 |
这是 Borzoi / BigRNA 那条「用功能基因组学轨道当预训练」的思路搬到转录后：监督信号是 RBP 结合，不是填空。21M 参数、两个细胞系，冻结表征就能在一串 RNA 功能任务上跟更大的 RNA/DNA 语言模型打平或打赢，说明 RBP interactome 作为归纳偏置相当密。
从业者能直接用的点有两个。一是变异解释：除了给一个分数，还能指出哪几个 RBP 的结合曲线被打掉，RB1 供体突变对应 PRPF8/AQR，NF1 受体突变对应 U2AF1/U2AF2，后一个 SpliceAI 几乎打不出分。二是实验假说：内含子保留的 Integrated Gradients 加上 TF-MoDISco，能回到 hnRNPH1、ELAVL、RBM15B 这些已知剪接因子。训练代码已公开。
别把它读成小模型全面取代 SpliceAI。SpliceBench 上它第二，翻译效率对照多数只看 5' UTR，而 Parnet 吃全长转录本。架构本身是放大版 CNN，不是新 backbone。真正新的是预训练哲学：功能轨道可以比海量无标注序列更省、更好解释。
作者列了两条硬限制。训练只覆盖约 10% 的人类 RBP 目录（150 / 1500），而且全是 K562 和 HepG2；没做过 CLIP 的蛋白在归因里是盲区。模型只吃序列，不吃二级结构和 m6A；RBM15 一类修饰相关 RBP 的关联是间接脚印，不是显式建模。
对照也不完全公平。相对 RBPNet 的增益和容量、窗口长度缠在一起。翻译效率那组，Optimus 5'、UTR-LM、FramePool 只看 5' UTR，Parnet 和 RiNALMo 看全长。eCLIP 信号本身可能混了「蛋白就在附近」和「蛋白真的结合」，作者在变异部分写了这句警告。bioRxiv 预印本，未经同行评审。图文数字偶有对不上：正文写 MutSpliceDB 的 AUPRC 0.801，图上 Parnet 嵌入是 0.891、OpenSpliceAI 才是 0.801，这里按图。