研究概述 - 同济大学史偈君教授团队于2025年12月10日在《Nature Methods》发表论文，对基于纳米孔直接RNA测序（DRS）技术的RNA修饰检测算法进行了系统性评估 [1] - 研究构建了高质量、单碱基分辨率的基准数据集作为“金标准”，从四个维度设置了十余项评估指标，对86种算法进行了全面“大比武” [2] - 研究涵盖了m6A、假尿嘧啶（Ψ）、m5C、A-to-I编辑、m1A和m7G这六种重要RNA修饰 [2] 核心研究发现 - 模型重训练策略能显著提升检测性能：仅用体外转录（IVT）RNA训练的工具在真实生物样本中表现不佳，将两者结合重训练可极大提升预测准确性和跨数据集泛化能力，对Ψ、m5C和A-to-I等非m6A修饰效果明显 [4] - m6A检测工具整体表现优异，非m6A工具仍面临挑战：Dorado和SingleMod模型在m6A的定性和定量分析中均表现突出，但大多数非m6A修饰检测工具在定量准确性和跨样本泛化方面明显不足 [5] - 生物学合理性是重要试金石：部分工具预测的修饰位点分布与真实分布存在偏差，m6Anet模型因其多示例学习（MIL）模块的合理设计，在区分野生型与酶敲除样本方面表现优异 [5] - 工具难以区分相同碱基上的不同修饰：当前工具在单碱基分辨率下仍难以可靠区分发生在同一碱基上的不同修饰（例如同样位于腺苷的m6A、m1A和A-to-I编辑），易导致“模糊预测” [5] - 重训练模型可适配DRS技术迭代：随着DRS技术从RNA002升级至RNA004，测序通量提升但电信号特征变化，该研究提出的重训练模型可有效适配RNA004数据，缓解了新版本数据分析工具短缺的现状 [6] 研究成果与资源 - 研究团队发布了全面的算法性能总结与在线资源平台——NaRMBench，将每个工具的12项关键性能指标整合为交互式雷达图，方便用户根据需求选择与比较 [8] - 该工作为实验学者筛选适用分析工具提供了实用依据，也为算法开发指明了优化方向，为完善RNA修饰检测方法学奠定了重要的基准资源与权威指导 [8]