北京时间2021年4月13日，结构生物学高精尖创新中心薛毅课题组在《核酸研究》（Nucleic Acids Research）杂志在线发表了题为《环结构元件的特征性化学探测数据模式及其对RNA二级结构预测准确度的改善》（Characteristic chemical probing patterns of loop motifs improve prediction accuracy of RNA secondary structures）的研究长文，报道了一个整合了特征性化学探测数据的RNA二级结构预测新方法。该方法在预测的准确度上高于传统的伪自由能预测模型以及“采样-选择”模型。此外，该方法也可以帮助鉴定假结结构以及RNA二级结构的动态变化。
RNA分子通过错综复杂的碱基配对模式折叠成二级结构，这些二级结构是RNA行使催化、配体结合和支架等功能的基础。准确地测定RNA的二级结构对于理解其生物学功能以及调控机制至关重要。近年来，化学小分子探针被广泛应用于RNA二级结构的探测，其中，selective 2´-hydroxyl acylation analyzed by primer extension（SHAPE）技术利用亲电试剂对不同状态碱基（配对或未配对）的修饰活性的差异来实现对RNA二级结构的探测。在SHAPE数据的分析中，如何合理地将SHAPE数据整合进结构预测算法是一个关键的问题。常用的工具，如RNAstructure，通常将SHAPE值转化成每个配对核苷酸各自的伪自由能约束，进而整合进热力学预测模型中预测出最终的结构。这类整合方法虽然显著地提升了RNA二级结构预测的准确度，但提升程度仍不能满足研究者的需求，尤其是对长RNA的结构预测和对结构动态变化的捕捉。
鉴于使用各种不同伪自由能参数的预测方法在准确度上已经遇到了“瓶颈”，在本项研究中，薛毅课题组从新的角度出发，建立起SHAPE数据特征和环结构元件信息之间的直接联系。通过统计分析，他们发现对于同一类型（发卡环、内环和凸环）和长度的环结构元件而言，其通常具有某种特征性的SHAPE模式，即在某些核苷酸位置之间存在保守的SHAPE值高低趋势。通过对环元件的三级结构分析，他们发现特征性SHAPE模式可以反映出核苷酸对糖环构象的偏好性。为了利用这种特征性SHAPE模式来提升RNA二级结构预测的准确度，他们提出了SHAPELoop方法。该方法通过“评估-替换”的策略对传统能量模型预测出的结构（称为“指导结构”）进行改进，以达到SHAPELoop预测出的结构比指导结构更加符合特征性SHAPE模式的目的（图1）。
利用上述策略，SHAPELoop可以准确地识别出“指导结构”中被错误预测的环元件，并对其进行替换。SHAPELoop在预测的准确度上高于传统的伪自由能预测模型（RNAstructure-Fold，RNAstructure-MaxExpect和RME）以及“采样-选择”模型（SeqFold）（图2）。此外，SHAPELoop对不同的“指导结构”以及SHAPE数据中的噪声也具有较好的鲁棒性。
图2. A) SHAPELoop及其他五种预测方法在标准RNA测试集上的表现；B) SHAPELoop使用不同“指导结构”的表现；C) SHAPELoop对数据噪声的鲁棒性。
最后，薛毅课题组还展示了特征性SHAPE模式在帮助鉴定假结结构以及RNA二级结构动态变化方面的应用。例如图3中展示的P5abc RNA，他们利用SHAPELoop方法定量地评估了P5c亚结构域的可能的环结构与特征性SHAPE模式之间的符合程度，并准确地预测出了不同折叠条件下该RNA的真实二级结构。
图3 A) P5abc在没有Mg2+的折叠条件下的结构及SHAPELoop罚分；B) P5abc在有Mg2+的折叠条件下的结构及SHAPELoop罚分；C) U30C突变体结构及SHAPELoop罚分；D) G39A突变体结构及SHAPELoop罚分。
