基于贝叶斯混合模型的MeRIP-seq数据免疫沉淀效率统计建模实现表观转录组精准检测与定量

为解决MeRIP-seq技术中抗体免疫沉淀(IP)效率量化缺失导致的表观转录组检测偏差问题，Haozhe Wang等开发了AEEIP算法。该研究通过贝叶斯混合模型估计IP样本中修饰与非修饰RNA片段比例，成功校正了不同实验条件下的抗体偏倚，显著提高了m6A位点检测灵敏度，为精准表观转录组学研究提供了新工具。

　　

在生命科学领域，RNA修饰尤其是N6-甲基腺苷(m⁶A)作为真核生物mRNA中最丰富的内部修饰，被发现参与调控RNA剪接、稳定性、翻译等关键生物学过程。随着高通量测序技术的发展，基于抗体的MeRIP-seq(甲基化RNA免疫沉淀测序)成为m⁶A研究的主流技术。然而这项技术存在一个长期被忽视的瓶颈问题——抗体在免疫沉淀过程中会非特异性捕获未修饰RNA片段，导致检测结果存在系统性偏差。这种偏差不仅影响修饰位点的准确鉴定，更可能掩盖低丰度修饰信号，造成假阴性结果。目前领域内缺乏专门评估免疫沉淀效率的计算工具，严重制约了表观转录组研究的可靠性。

针对这一技术难题，南京中医药大学药学院的Haozhe Wang等研究者在《Computational Biology and Chemistry》发表了创新性研究成果。团队开发了名为AEEIP(抗体效率估计免疫沉淀)的贝叶斯统计模型，首次实现了对MeRIP-seq数据中免疫沉淀效率的精准量化。该研究整合了来自心脏、肝脏等组织的多组真实MeRIP-seq数据，结合计算机模拟数据集，系统验证了方法的可靠性。

关键技术方法包括：1)构建贝叶斯混合模型框架，将IP样本分解为修饰(m⁶A-containing)和非修饰(m⁶A-free)RNA片段两个组分；2)采用期望最大化(EM)算法进行参数估计；3)设计模拟数据集验证模型敏感性；4)应用DESeq2进行差异甲基化分析；5)利用m⁶A-Atlas 2.0数据库的108,740个单碱基m⁶A位点进行基准测试。

2.1. Overview of AEEIP Method

研究团队创新性地将IP样本建模为τ^a(非修饰片段比例)和τ^b(修饰片段比例)的混合体系，通过输入(Input)样本作为参照，建立了基于RNA片段丰度和有效长度的概率模型。该模型巧妙解决了传统方法无法区分特异性与非特异性结合的难题。

2.4. EM Algorithm

通过引入隐变量表征片段来源，开发了高效的期望最大化迭代算法。特别设计的优化步骤可自动确定先验信息的最佳权重，确保在不同测序深度下都能获得稳定的效率估计。模拟数据显示，该方法在输入样本含5%修饰片段时仍保持准确。

3.1. Test on Simulated Dataset

在修饰片段比例为10-40%的模拟数据集中，AEEIP准确还原了预设的混合比例。经校正的数据较原始数据显著提高了真阳性率，在40%非特异结合条件下将FDR从0.38降至0.21，证明其有效纠正了抗体偏倚。

3.2. Test on Real Datasets

对心脏、肝脏等真实样本的分析显示，不同组织类型呈现显著不同的IP效率(心脏15-20%，肝脏25-30%)。值得注意的是，在METTL3敲除样本中检测到更高的抗体偏倚(35-40%)，这与预期中m⁶A水平降低导致信噪比下降的现象一致。

4. Discussion and conclusion

这项研究开创性地建立了表观转录组测序数据的质量评估标准。通过引入免疫沉淀效率这一关键参数，AEEIP使研究者能够量化实验系统的可靠性，并为比较不同实验室数据提供了统一指标。实际应用表明，经AEEIP校正后，心脏组织m⁶A位点检出数增加4.3%，且新检出位点富集于进化保守区域和功能重要基因。该方法特别适用于低丰度修饰研究和差异甲基化分析，为精准表观转录组学研究提供了重要工具。未来通过整合更多抗体类型和修饰特征，有望进一步拓展其在5-甲基胞嘧啶(m⁵C)等其它RNA修饰研究中的应用。