mRNALocater：可精确预测mRNA亚细胞定位的机器学习算法模型

RNA分子在细胞中高度不均匀的分布是个体发育、局部蛋白质翻译和染色质3D结构形成的生物学基础。特定RNA分子的亚细胞定位通过影响转录、蛋白质合成，调节了细胞增殖、细胞极性、纺锤体组装、细胞迁移等诸多生物过程。在RNA表达水平较低的情况下，实验技术因敏感性较差、空间分辨率低、亚细胞区域普适性差等弊端，导致其对RNA亚细胞定位的注释存在偏差，因此亟需提出识别RNA亚细胞定位的新方法。

现阶段针对mRNA亚细胞定位预测方法普遍是基于单一机器学习方法构建的预测模型，预测性能和鲁棒性具有局限性。集成方法是将几种机器学习技术组合成一个预测模型的元算法，可以改进单个预测模型的性能。基于以上的研究现状和思路，近期，成都中医药大学陈伟课题组在Molecular Therapy 上发表了题为mRNALocater: enhance the prediction accuracy of eukaryotic mRNA subcellular localization by using model fusion strategy的文章。作者在文章中介绍了一个集成方法整合多个机器学习算法模型用于预测mRNA亚细胞定位的工具（http://bio-bigdata.cn/mRNALocater）。

mRNALocater使用加权求和的方式整合了XGBoost、LightGBM和CatBoost三种机器学习方法。mRNALocater可以用于识别定位于5个不同亚细胞区域的mRNA。与mRNALoc相比，mRNALocater在4个评价指标参数上都具有较好的性能，mRNALocater的提出为mRNA亚细胞定位研究提供了新方法和重要的技术支持。

本研究的通讯作者为成都中医药大学的陈伟教授，助理实验师唐强为第一作者。