研究背景
随着基因组测序技术的飞速发展，海量的基因组数据以前所未有的速度涌现。然而，要从这些原始的DNA序列中解读出生命的蓝图，精确地识别出基因的位置和结构（即基因注释）是至关重要的一步。传统基因预测方法，如隐马尔可夫模型（HMM），在处理复杂的生物学信号时能力有限，通常需要依赖RNA测序等额外的实验证据来提升准确性。这不仅增加了研究成本和周期，也使得那些缺乏实验数据的非模式生物的基因组注释工作困难重重，成为基因组学研究的一大瓶颈。因此，开发一种不依赖外部数据、仅凭DNA序列就能进行精准预测的“从头预测”（ab initio）工具，已成为该领域迫切的需求。图片
论文概要
德国尤利希研究中心的Marie E. Bolger团队联合德国海因里希·海涅大学的Alisandra K. Denton团队在《Nature Methods》上发表了题为“Helixer: ab initio prediction of primary eukaryotic gene models combining deep learning and a hidden Markov model”的论文，揭示了一种名为Helixer的新型人工智能基因预测工具。该工具通过创新的深度学习与隐马尔可夫模型混合架构，实现了对真菌、植物、脊椎动物和无脊椎动物基因组的高精度从头基因预测，其性能在多项指标上媲美甚至超越了当前主流工具，为快速、准确地注释新测序物种的基因组提供了强大的解决方案。
主要研究结果介绍
创新的混合架构： 深度学习与HMM的强强联合Helixer的核心优势在于其独特的两步式预测流程。首先，第一阶段的HelixerBW模块采用了一个结合了卷积神经网络（CNN）和双向长短期记忆网络（bLSTM）的深度学习模型。该模型能够逐个碱基扫描基因组DNA序列，精准识别局部序列模体（如启动子、剪接位点）和长距离依赖关系，从而以概率值的形式预测每个碱基的功能类别（如编码区CDS、内含子、非翻译区UTR）及其所在的编码框（phase）。随后，第二阶段的HelixerPost模块接收这些概率信息，并利用一个基于生物学规则的隐马尔可夫模型（HMM）进行解码。HMM擅长处理结构化语法，能够将前一阶段零散的碱基预测“组装”成符合生物学逻辑的、结构完整的基因模型（例如，正确的起始/终止密码子、剪接模式等）。这种“深度学习识别模式 + HMM构建语法”的混合架构，充分发挥了两种技术的长处，实现了对基因结构前所未有的精准解析（图3）。图片
跨物种的卓越性能： 全面超越传统工具研究团队在真菌、植物、脊椎动物和无脊椎动物四大真核生物类群中，对Helixer与两款经典的从头预测工具GeneMark-ES和AUGUSTUS进行了全面的性能比较。结果显示，Helixer在多个层面上均表现出显著优势。在最基础的碱基水平预测上，Helixer的准确率（以Phase F1值为度量）全面领先，特别是在基因结构更为复杂的植物和脊椎动物中，其优势尤为突出（表1）。在更具挑战性的完整基因元件（如外显子、内含子）和转录本水平的评估中，Helixer同样表现出色。例如，在植物和脊椎动物的外显子预测中，Helixer的F1分数远高于其他工具，展示了其强大的综合预测能力（图1，表2）。图片
预测蛋白质组质量接近“金标准”: 参考注释基因注释的最终目的是获得高质量的蛋白质序列。研究团队使用BUSCO（通用单拷贝基因基准集）评估了不同工具预测出的蛋白质组的完整性。令人瞩目的是，Helixer预测的蛋白质组完整度在多个物种中都非常接近甚至超过了依赖大量实验数据和人工校对的“金标准”参考注释，尤其是在真菌类群中达到了99.03%的超高完整度。相比之下，其他从头预测工具的表现则有较大差距。此外，通过与植物蛋白功能注释数据库Mapman4进行比对，进一步证实Helixer预测的蛋白质不仅数量完整，而且功能注释的准确性（精确率和召回率）也远超同行，更接近于参考注释的水平。这充分说明Helixer能够从DNA序列中挖掘出高质量的生物学信息，其产出足以支持下游的比较基因组学和功能研究（扩展数据表1，扩展数据图2）图片
发现并修正模式生物的参考基因组错误: 即便是研究最深入、注释最完善的模式生物，其参考基因组中也可能存在错误。研究团队将Helixer应用于拟南芥（Arabidopsis thaliana）的基因组注释，并与权威的TAIR10和Araport11参考注释进行比较。结果发现，Helixer不仅能准确预测出绝大多数已知基因，还成功识别出了Araport11注释中一个被错误注释的嵌合基因，并找到了一个在两个参考版本中都完全缺失的重要基因（一个糖基转移酶亚基）。这一发现通过RNA测序数据得到了验证，凸显了Helixer作为一种独立验证工具的强大潜力，即便是对于“金标准”级别的基因组，它也能帮助发现并修正其中隐藏的错误（图3）。
领先的计算效率除了高准确性: Helixer在计算速度上也表现优异。在单线程模式下，注释一个中等大小的基因组（如水稻）仅需27分钟，而处理庞大的人类基因组也仅需不到8.5小时。与GeneMark-ES和AUGUSTUS相比，其速度提升了6到20倍，极大地提高了大规模基因组注释项目的效率（扩展数据图4）。图片
全文总结与展望
Helixer的出现是基因从头预测领域的一个重要突破。它通过巧妙地融合深度学习和隐马尔可夫模型，成功地在不依赖任何实验证据的情况下，实现了跨越多个真核生物谱系的高精度、高速度和高质量的基因注释。该工具不仅为新测序物种，特别是非模式生物，提供了一个即开即用的高效注释解决方案，还能够作为强大的辅助工具，用于验证和完善现有参考基因组的质量。Helixer的开源和易用性（提供本地软件和在线网页服务）进一步降低了基因组注释的技术门槛，无疑将加速生命科学各个领域的研究进程。未来，通过引入更先进的模型架构和更高质量的训练数据，这类工具的性能有望进一步提升，最终实现与数据支持的注释流程相媲美的“参考级”从头注释。
DOI链接
https://doi.org/10.1038/s41592-025-02939-1