arXiv cs.AI· Cece Zhang, Xuehuan Zhu, Nick Peterson, Jieqiong Wang, Shibiao Wan·· 3 天前AI 评分18
基于 AI 的 RNA 亚细胞定位预测综述
A Comprehensive Review on RNA Subcellular Localization Prediction
AI 导读
这篇综述系统梳理了基于 AI/ML 的 RNA 亚细胞定位预测最新进展，覆盖 lncRNA、mRNA、miRNA 等多种 RNA 类型，聚焦基于序列、基于图像以及融合两类数据的混合方法。文章指出这类方法可加速 RNA 研究、揭示分子通路并指导靶向疾病治疗，同时讨论了数据稀缺、缺乏 benchmark 等挑战及应对机会。
正文 · AI 翻译
摘要：RNA 的亚细胞定位，包括长链非编码 RNA（lncRNA）、信使 RNA（mRNA）、微小 RNA（miRNA）以及其他较小 RNA，在决定其生物学功能方面起着关键作用。例如，lncRNA 主要与染色质相关，作为基因转录和染色质结构的调控因子，而 mRNA 则分布于细胞核和细胞质中，促进遗传信息传递以进行蛋白质合成。理解 RNA 定位有助于揭示基因表达调控等具有空间和时间精确性的过程。然而，用于确定 RNA 定位的传统湿实验方法，如原位杂交，往往耗时、耗费资源且成本高昂。为克服这些挑战，利用人工智能（AI）和机器学习（ML）的计算方法已成为强大的替代方案，能够实现 RNA 亚细胞定位的大规模预测。本文全面综述了基于 AI 的 RNA 亚细胞定位预测方法的最新进展，涵盖多种 RNA 类型，并重点关注基于序列、基于图像以及结合两类数据的混合方法。我们强调了这些方法在加速 RNA 研究、揭示分子通路和指导靶向疾病治疗方面的潜力。此外，我们批判性地讨论了 AI/ML 方法在 RNA 亚细胞定位中面临的挑战，如数据稀缺和缺乏基准，以及应对这些挑战的机会。本综述旨在为寻求在 RNA 亚细胞定位及其他领域开发创新解决方案的研究人员提供有价值的资源。
| 学科： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；基因组学（q-bio.GN）；亚细胞过程（q-bio.SC） |
| 引用为： | arXiv:2504.17162 [cs.CV] |
| （或 arXiv:2504.17162v2 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2504.17162 由 DataCite 颁发的 arXiv DOI |
|
| 相关 DOI： | https://doi.org/10.1093/bfgp/elag011
链接到相关资源的 DOI |
提交历史
来自：Cece Zhang [查看电子邮件]
[v1]
2025 年 4 月 24 日星期四 00:47:31 UTC（578 KB）
[v2]
2026 年 10 月 11 日星期日 14:10:00 UTC（1,001 KB）
来源：arXiv cs.AI · arxiv.org