RNA 结合靠序列还是结构？模型更准也证明不了它真在用结构

RNA 结合蛋白到底靠碱基序列还是靠 RNA 折叠出的结构来识别转录本，这个问题不能靠比准确率来回答。改一个碱基往往同时改变基序身份和配对伙伴，CLIP 类的读数还混着可及性、丰度与交联效率，所以"结构感知模型更准"既可能是模型真在认结构，也可能只是别的原因。Karimzadeh 等 2026 年的 bioRxiv 预印本把这件事拆成三步：先用 ecCLIP 把测量地基垫平，再让 Pythia 把序列贡献和结构贡献在架构上分开，最后用破坏折叠与保留折叠的配对突变做反事实，把"结构贡献"从相关性升格为可被实验否证的因果假说。它的结论只到 5 个蛋白、单一细胞系与二级结构代理，这份边界和结论一样重要。

改一个碱基同时动了基序和折叠，预测增益证明不了模型在用结构

"结构感知模型预测更准"这句话本身不构成机制证据。原因有两层，一层来自 RNA 本身，一层来自测量方式，两层叠加之后，"更准"和"在用结构"在观察数据里就是两件事。

第一层是序列与结构的纠缠。一个碱基在序列维度上的身份，和它在结构维度上跟谁配对，是同一个物理位置的两个属性。

把 A 换成 G，模型看到的输入变了一个字符，但这个字符同时改变了两个维度上的信息。想让模型分别报告"我看到的是基序"和"我看到的是配对"，就必须先让这两类贡献在模型里有各自独立的出口，这正是 Pythia 双臂架构在设计上要解决的事。

第二层混杂来自实验流程本身。eCLIP 把 UV 交联后的样品分成两条平行支路，98% 走免疫沉淀，2% 作为 size-matched input（SMInput）走过完全相同的膜转移、切胶、蛋白酶 K、反转录与连接步骤，最后用输入量做归一化。

图注：eCLIP 的完整建库流程，关键在 panel a：SMInput 与免疫沉淀两条支路从建库开始就平行走到最后，所以它同时控制了背景信号和各步固有偏倚。这道对照把"读数偏高"和"结合更强"拆成两件事。eCLIP2016

这道对照的杀伤力很大。在传统 CLIP 的显著性阈值下，RBFOX2 有 32.6% 的显著峰、SLBP 有 7% 的显著峰，在 SMInput 归一化之后被判定为 depletion，也就是信号反而低于背景。这些峰不是弱结合，而是系统性假阳性，来自 reads 分布、扩增偏倚与背景 DNA。eCLIP2016

在这两条约束之下，"模型更准"的归因空间就很小了。一个容量更大的网络、一份更干净的数据、一次更细致的数据划分，都能换来更高的 AUC。有模型报告把实验测得的活体结构替换成随机结构之后，AUC 几乎不下降，这就是最直接的证据：贴了"结构感知"标签的架构，未必真的在读结构。PrismNet

所以要回答"序列还是结构"这个因果问题，靠继续比准确率是走不通的。唯一的出路是主动去扰动折叠，让答案由实验给出。这条路上还有一道必须先过的关：测量本身可不可信。

ecCLIP 垫平的是测量地基：读数可比了，但机制还没浮出来

ecCLIP 的贡献是让跨蛋白、位点级的读数第一次由同一把尺子量出来，它解决的是测量可信度，不是"序列还是结构"这个因果问题。要看清它替换了什么，得先看它继承了什么。

ecCLIP 保留了 eCLIP 的 UV 交联与 paired input 思路，但把抗体 IP 换成内源标签、把依赖连接酶的建库换成免连接酶 template-switch 建库；在抗体这一维度上，eCLIP 框架此前没有标准化。这不是小问题：同期一项对 700 个商业抗体、365 个 RBP 的 IP-WB 标准化验证发现，被归为 IP-grade 的抗体在 eCLIP 的实验条件下只有约 70% 仍能通过质控，跨细胞系的失败率在 17% 到 19% 之间。抗体质量因此成了跨蛋白比较里最大的噪声源，也是改用内源标签最直接的动机。eCLIP2016

ecCLIP 的做法是给每个蛋白带上同一个内源小标签，用标签而不是抗体来抓取复合物。项目主创在访谈里把这条设计逻辑说得很直白：每个蛋白都带同一个内源标签，不必逐个找抗体，于是所有蛋白走完全相同的免疫沉淀流程，可以用更严格的洗脱条件，也不再有"换个抗体换一批噪声"的问题，数据在设计上就是可比的。ArcNews

图注：ecCLIP 从内源标签到免连接酶建库的完整流程，以及这一批数据的规模。流程本身是 eCLIP 框架的标准化升级版，规模则落在面板里那 67 个蛋白上。这张图说明的是"标准化发生在哪一步、规模有多大"，不是性能对比。Pythia-ecCLIP

按预印本的数据，这批图谱在 HEK293T 里覆盖 67 个内源标签 RBP，共识别出 9,097,672 处 ecCLIP 结合峰，其中 40 个蛋白此前不在 ENCODE 的覆盖范围内。Pythia-ecCLIP

它接续的是一条已经走通的路。ENCODE 第三期用同一套 eCLIP 流程在 K562 与 HepG2 两个细胞系里做到 150 个 RBP、223 个高质量数据集、844,854 个可重复富集峰，覆盖 18.5% 的 mRNA。这条规模化证据说明"标准化的结合测量骨架"是可行的，但也留下了缺口：这两个细胞系之外的情境没有被覆盖，HEK293T 正是 ecCLIP 补上的那一块。ENCODE2020

图注：ENCODE 第三期把多种实验类型与数百个 RBP 摆在一张总览里，作为 ecCLIP 之前的规模化基线。它证明 eCLIP 骨架能规模化，但只覆盖两个细胞系。ENCODE2020

值得强调的是，地基垫平之后，观察读数依然只是观察读数。ecCLIP 让跨蛋白比较可信，却没有让"这个位点为什么被结合"变得可读。要让机制浮出来，得看模型那一侧。

把结构编进架构本身，让序列与结构的贡献可以从架构上分开测量

Pythia 的推进不是"让模型看见结构"，而是把结构贡献设计成一个能从架构上单独归零、单独测量的量。这个设计选择要从"上下文无关文法"这个词说起，因为命名和实现之间隔着一步翻译，读者最容易在这里卡住。

上下文无关文法是一套用产生式规则描述嵌套结构的写法。产生式 P → a P a′ 的意思很直白：先写一个碱基 a，中间可以是任意一段仍然合法的嵌套结构 P，最后用一个和 a 配对的 a′ 收尾。RNA 的二级结构只要不出现假结，就是这种嵌套结构，所以它总能被这样一套文法完整描述。

图注：这是 pairSCFG 的解析树，不是填表用的动态规划矩阵。树的内节点就是产生式，叶子位置对应的碱基两两配对，嵌套关系在树形上直接可见。它要说明的是"配对可以用产生式定义"这件事本身。pairSCFG

Pythia 没有把这条产生式实现成一个可学习的文法，而是把它翻译成一组永不训练的卷积核。具体做法是：对每一个配对间距 d 准备核，核上两个槽位分别对准相距 d 的位置，只有当这两个位置恰好构成一对合法配对时，该核才被激活。为了容忍不完美的茎，每个间距还配了一组 bulge 变体，允许配对之间夹一个不受约束的位置。默认配置取 d 从 5 到 24，需要覆盖长程配对的结构任务会把范围放宽，bulge 尺寸也相应放大。Pythia-ecCLIP

图注：左边是六对配对的硬编码权重，右边是一个核里两个配对槽位的位置示意。这些数值是手工设定的化学先验，不是训练出来的参数：代码在构造这一层时就调用 requires_grad_(False)，并且每个任务都传 frozen 开关，所以"冻结"是构造期就强制的，不是配置选项。pythia-repo

这套核里，参数的值携带了化学含义：G-C 比 A-U 略强，摆动配对的 G-U 最弱，方向不同权重也不同；在部署到 RBP 任务的版本里，这些权重被二值化成统一的 1，只保留"这里是否是一对配对"这一层信息。语法上它借用的是文法，实现上它是一组手工设定、永不更新的卷积核，两者的差别正是这一章要讲清的那一步翻译。pythia-repo

冻结的结构臂只是半张图。Pythia 是一个双臂网络，输入序列分成两条独立支路：一条经过那组冻结的配对核，专门表达远距配对；另一条不做任何结构约束，只保留线性基序识别能力，参数全部可训练。两条支路的输出拼接后进入稠密层得到预测。Pythia-ecCLIP

图注：端到端的双臂结构，冻结的配对分支与可训练的序列分支在最后拼接。这个架构的关键不在精度，而在于结构贡献和序列贡献各有自己的出口，因此可以分别置零、分别测量。Pythia-ecCLIP

图注：从参考实现重建的双臂拓扑，可以直接看到冻结分支与序列分支之间不共享任何权重。这类代码层核验的意义在于，论文里"贡献可分"的说法有一个可逐行检查的实现。pythia-repo

把这个设计和更早的结构感知范式放在一起，差别才看得清。像 PrismNet 那样把实验测得的结构当作额外的输入通道，结构信息和序列特征会被同一批卷积核自由组合，架构里没有任何机制强制模型把远距配对当成配对来看待，这正是它替换成随机结构后结果几乎不变的原因。PrismNet

图注：这是把结构当成额外输入通道的范式，结构分数与四维 one-hot 拼成五通道输入，进入一个普通的卷积主干。它与上一张图构成对照：一边靠数据侧补一维特征，一边靠架构侧把配对规则写进固定核。PrismNet

这条"把序列和结构分两套参数"的思路并不新。十六年前的 RNAcontext 已经用一个图形模型把序列 PWM 与结构上下文向量分开学习，Pythia 的双臂是同一思路在深度网络里的重写，区别在于结构那一侧从前是学出来的权重，现在是被冻结的配对核。RNAcontext

贡献可分之后，下一步就不是继续刷指标，而是让这个可分的贡献接受实验的检验。

破坏折叠则结合减弱、保留折叠则获救：配对突变把分解变成可证伪的假说

只有当破坏折叠与保留折叠在同一序列背景上给出可预期的分离时，结构贡献才从模型的统计分解变成一个能被实验否证的因果命题。这套逻辑不是 2026 年才发明的，它有一个二十多年前的干净先例。

在果蝇 Adh 基因的内含子 1 里有一段进化保守的 6 碱基发夹结构。实验设计出四类构造：野生型、把发夹两侧各自换成同一序列从而彻底破坏配对的两种突变、以及把左右两侧互换的补偿突变。补偿突变的序列和野生型几乎完全不同，唯一的共同点是配对恢复了。

图注：四类构造加上剪接效率与酶活两组条形图。破坏配对的两种突变（白色柱）表型下降，两侧互换、序列全改但配对恢复的构造（黑色柱）回到野生型水平。柱高是实验测得的剪接效率和酶活，不是模型打分。Adh2003

数字很干净。剪接效率上，野生型 1.166、破坏配对的两种分别是 1.084 与 1.103、补偿突变 1.163；酶活上，野生型 96.7 单位、破坏配对的 80.6 与 82.6 单位、补偿突变 101.1 单位。破坏与保留两组之间的配对检验全部显著，而补偿突变与野生型之间的差异不显著。Adh2003

这套设计的价值在于它是反事实的。研究者没有比较"结构强的位点和结构弱的位点"，而是主动把一个位点的折叠破坏掉、再把它救回来。补偿构造让配对状态成为两组构造之间被有意设定的关键预设差异，因此它给出的不只是相关性，而是一条能被对照直接推翻的结构作用证据：如果配对状态才是表型的决定因素，那么序列全改、只有配对恢复的构造就应该回到野生型水平；如果配对无关，这个构造就不该回到野生型水平。这份证据因此强于"结构强的位点表型也强"这类观察。需要保留的限定是，补偿突变改变的不只是配对，序列本身也一并被改动，所以它是强证据，而不是把配对这一项单独隔离出来的完美单变量证明。

MPRC 把这套逻辑搬到了高通量尺度上，对象换成 5 个落在序列与结构连续谱不同位置的 RBP：EMG1、HNRNPC、PCBP1、HNRNPU 与 SFPQ。研究者在这些蛋白的结合位点上合成四类报告基因文库，分别是参考序列、保留预测折叠的突变、破坏预测折叠的突变，以及多重突变的负对照，然后用报告基因靶向的 CLIP 读出每类构造的结合强度。

图注：从文库设计到读出的完整链路，以及一个具体位点的读数走向。参考序列最高，保留折叠次之，破坏折叠转负，负对照最低。这张图的核心不是平均效应，而是模型预测与实验读数之间的对应关系。Pythia-ecCLIP

结果的可否证性体现在分组上。在模型预测为结构依赖的 11 个位点里，保留折叠的构造显著比破坏折叠的构造更接近参考序列，配对 Wilcoxon 检验 P = 4.9×10⁻⁴；而在模型预测为不依赖结构的 8 个位点里，同样比较没有出现显著差异，P = 0.527。一个具体位点可以看得更清楚：HNRNPC 在 GALNT13 内含子上的那处位点，参考构造的读数是 1.15，保留折叠 0.90，破坏折叠 −0.20，负对照 −0.62。Pythia-ecCLIP

那个不显著的对照组同样重要。如果实验设计只是复述模型的预测，两组应该都出现分离；只有模型预测依赖结构的位点出现分离，说明这个实验在真正检验模型的判断，而不是换个方式重复它。空对照的存在，才让"结构依赖"这句话有了被推翻的可能。

这也划出了与模型归因的分界。Pythia 自己会算一种归因：把结构臂或序列臂分别置零，得到每个位点对两条支路的相对依赖程度。这类分数在设计上是可分解的，也仍然只是相关性证据，能说明模型内部怎么用信息，不能说明 RNA 上真的发生了什么。pythia-repo

在可解释机器学习的文献里，这两件事的差别有明确的清单。只用一个归因方法、把归因输出直接当成生物学解释、只挑符合先验的例子，是三类反复出现的陷阱，缺的正是让实验进入回路的验证环节。IML-pitfalls

配对突变解决的是最后那一环：它让"结构贡献"这句话有了一个实验可以推翻它。这也决定了这套工作能走多远，以及它的结论必须带上哪些限定。

证据只到 5 个蛋白、单一细胞系与二级结构代理：能筛位点，不等于破解语法

这套工作真正可迁移的产出是一条论证模板：先把测量垫平，再把待检验的假设设计成可单独扰动的量，最后用反事实实验赋予它因果含义；而它的结论必须连同边界一起带走。说它能筛出结构敏感位点可以，说通用结合语法已经被破解不行。

把三个陷阱和前面几章的做法一条条对上，模板的形状就清楚了。架构上分成两条臂，对应"不要只用一种归因"；把结构编进固定核而不是事后解释，对应"别让归因脱离生物学解释"；成组报告模型预测依赖与不依赖的位点，对应"不要只挑符合先验的例子"。IML-pitfalls

图注：三行分别对应三类陷阱，每一行的左右两栏把不够好的做法与更可取的做法摆在一起。第一行是只用一个归因方法对比同时用多个方法，第二行是归因输出直接对接已知机制对比先做后处理，第三行是挑选例子对比完整报告。这张清单可以带着去读任何一篇带归因图的论文。IML-pitfalls

近期价值落在下游调控变异上。ecCLIP 图谱被整合进一个从 DNA 序列直接预测 RNA 覆盖度的模型之后，在精细定位的 3′UTR eQTL 上把判别 AUPRC 从 0.626 提到 0.694；在 MPRA 测得的 3′UTR 变异效应上，这个模型单独还不如既有的半衰期模型，但两者取平均后优于任何一个单独使用。Pythia-ecCLIP

图注：这是被整合的下游母模型架构，从几十万碱基的 DNA 输入出发，经卷积与自注意力压缩后上采样到 32 碱基分辨率的覆盖度输出。它的作用是说明图谱可以被接到什么样的模型上，不涉及内部细节。Borzoi2025

被比较的基线是 2022 年的半衰期模型，它只用序列、阅读框与 5′ 剪接位点就让人类 mRNA 半衰期预测达到 r = 0.77。Saluki2022 顺带要分清两组数字的归属：上面那 0.694 与 0.626 来自本次预印本，而覆盖度母模型自己报告的是 3′ 多聚腺苷酸化 QTL 判别 AUPRC 0.64 到 0.74，两者不是同一个基准。

边界有三条，缺一条结论就会被读歪。第一，图谱只在 HEK293T 一个细胞系里生成；第二，结构臂编码的是结构潜力，不是实测结构，也就是说它判断的是"这里能不能形成茎"，而不是"这里实际上折成了什么"；第三，反事实验证只覆盖 5 个 RBP。人蛋白组里的 RBP 远不止这 67 个，ArcNews 而变异效应的预测能力在蛋白之间差异很大，只有个别蛋白的相关性强，其余偏弱，不能外推成"结构感知模型普遍能预测变异效应"。Pythia-ecCLIP

回到最初那个问题。观察数据里，序列和结构是纠缠在一起的，读数里还混着杂质；模型归因给出的只是"模型看起来在用什么"，它是相关性证据，换一种归因方法、换一个基线都可能得到不同答案。配对突变走的是另一条路：它在改变序列的同时，有意保留或破坏预测的配对状态，再由对照组检验这套设计在两层上的预期，破坏配对的位点结合应当变弱，保留配对的位点结合应当获救。配对突变同时也改了序列，所以这里的对照结构不是可有可无的装饰，它正是结果能被推翻的地方。按这个设计读，结果支持的是“配对状态参与结合”这条可否证的因果命题，而不是无条件地证明结构决定结合。

AI 负责在 67 个蛋白、九百多万个位点里提出"哪些位点靠结构"的假说，实验负责在其中 5 个蛋白上把假说变成可证伪的命题。这套分工不只适用于 RNA 结合，任何一篇带归因图的 AI for Science 论文，都可以拿同一把尺子去量它：测量地基平不平，假设能不能被单独扰动，有没有一个实验能让它错。按 2026 年 10 月的预印本读到这里，能带走的就是这条可以重复使用的读法，以及它附带的三条边界。

参考文献

本专题引用的核心资料如下，建议深入学习时阅读原文：

1. A high-resolution protein-RNA binding atlas for structure-aware interaction prediction and post-transcriptional regulatory modeling — https://www.biorxiv.org/content/10.64898/2026.10.12.758580v1
2. A Clearer Map of RNA-Binding Proteins with eclair-CLIP — https://arcinstitute.org/news/eclair-clip
3. Robust transcriptome-wide discovery of RNA-binding protein binding sites with enhanced CLIP (eCLIP) — https://www.nature.com/articles/nmeth.3810
4. A large-scale binding and functional map of human RNA-binding proteins (ENCODE Phase III RBP) — https://www.nature.com/articles/s41586-020-2077-3
5. Predicting RNA-seq coverage from DNA sequence as a unifying model of gene regulation (Borzoi) — https://www.nature.com/articles/s41588-024-02053-6
6. The genetic and biochemical determinants of mRNA degradation rates in mammals (Saluki) — https://pmc.ncbi.nlm.nih.gov/articles/PMC9684954/
7. Predicting dynamic cellular protein-RNA interactions by deep learning using in vivo RNA structures (PrismNet) — https://www.nature.com/articles/s41422-021-00476-y
8. RNAcontext: A New Method for Learning the Sequence and Structure Binding Preferences of RNA-Binding Proteins — https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1000832
9. Compensatory evolution of a precursor messenger RNA secondary structure in the Drosophila melanogaster Adh gene — https://www.pnas.org/doi/full/10.1073/pnas.1932834100
10. Efficient pairwise RNA structure prediction and alignment using sequence alignment constraints (pairSCFG) — https://doi.org/10.1186/1471-2105-7-400
11. Applying interpretable machine learning in computational biology — pitfalls, recommendations and opportunities — https://www.nature.com/articles/s41592-024-02359-7
12. goodarzilab/pythia — official code repository — https://github.com/goodarzilab/pythia