环状RNA（circRNA）是一类具有共价闭环结构的非编码RNA分子，区别于线性信使RNA，其在细胞内表现出高度稳定性。过去十年，研究表明circRNA在基因表达调控、疾病机制中发挥重要作用，包括作为miRNA海绵、编码多肽以及参与免疫信号传导等功能。然而，circRNA低丰度及其序列与线性RNA高度相似，给其检测和表征带来巨大挑战。
2025年4月17日，中国科学院动物研究所张金阳和赵方庆在《自然-遗传学》发表综述，系统总结了近年来circRNA检测、表征及功能分析的算法突破，重点探讨了长读长测序、单细胞RNA测序与深度学习算法的融合如何极大提升circRNA研究的分辨率，并展望了人工智能驱动算法的未来潜力。
一、circRNA检测技术的演进与多技术融合
该综述提出了从circRNA检测到功能解析的完整技术路线，强调多种测序技术与计算方法的整合对于深入理解circRNA生物学功能的重要性。
1. 短读长测序时代的挑战与算法发展
短读长测序（通常100-300碱基）依赖识别反向剪接位点的非线性读段来检测circRNA，但存在假阳性率高和灵敏度不足的问题。为此，研究者开发了多类算法：
| 算法类别 | 代表工具 | 核心原理 | 局限性 |
|---|---|---|---|
| 基于伪参考基因组 | find_circ, CIRCexplorer | 将未比对的读段与反向剪接序列比对 | 依赖已有注释，可能遗漏新circRNA |
| 基于分割比对 | MapSplice, STAR, TopHat-Fusion | 将读段分割成片段分别比对基因组不同位置 | 计算成本高，处理嵌合读段复杂 |
| 基于从头组装 | CIRI-full, circFull | 不依赖参考注释，直接组装全长circRNA序列 | 对低表达circRNA灵敏度较低 |
| 集成方法 | CirComPara2 | 整合多个工具预测结果，提高准确性和召回率 | 计算流程复杂 |
2. 长读长测序的革命性贡献
长读长测序技术能够跨越整个circRNA分子，直接测序其全长序列，避免了对反向剪接位点的推断误差。
- 全长测序策略：
- 滚环反转录扩增：利用反转录酶在circRNA上进行连续滚动合成多联体DNA，再将串联重复序列断开测序并组装回单个circRNA序列。代表方法包括isoCirc、circFL-seq、CIRI-long。
- 纳米孔直接RNA测序：无需反转录，直接测序环状RNA分子，保留碱基修饰信息，但存在较高错误率，需专门算法校正。
- 优势：能够鉴定circRNA内部结构（如可变剪接、微外显子）、精确注释外显子边界，并发现线-环RNA融合异构体。
3. 单细胞与空间转录组水平的circRNA分析
单细胞RNA测序技术揭示了circRNA在细胞间的异质性，推动了对其功能的细胞特异性理解。
- 技术方案：
- 全长单细胞RNA测序：如MATQ-seq、SMART-seq，可捕获全长circRNA，但通量较低。
- 高通量droplet方法：如10x Genomics、Drop-seq，虽为3'端计数，但通过改进建库策略也可检测circRNA。
- 单细胞总RNA测序：如VASA-seq、snRandom-seq，可同时检测线性和环状RNA，灵敏度高。
- 空间转录组学：结合原位杂交或空间条形码技术，绘制circRNA在组织中的空间表达图谱，已成功应用于癌症和脑科学研究。
4. 深度学习在circRNA研究中的应用
深度学习模型被用于解决circRNA研究中的核心计算难题：
- 短读长数据中稳健识别：利用卷积神经网络（CNN）或循环神经网络（RNN）学习反向剪接位点的序列和比对特征，区分真实circRNA与噪声。
- 单细胞数据中检测：处理单细胞转录组数据中的低丰度circRNA信号，提高检测灵敏度和准确性。
综上，结合新兴测序技术与人工智能算法，circRNA的发现与功能解析进入了一个全新的时代，为揭示其生物学意义和临床潜力提供了强大工具。