COMPASS: finding RNA candidates and protein partners in noncoding sequences

Arc Institute / Patrick D. Hsu团队 · 2026-10-22

COMPASS 把难以注释的非编码序列整理成可搜索的图谱，让寻找新RNA及其蛋白伙伴有了可追查的起点。

寻找新的基因编辑工具，不能只盯着蛋白。CRISPR需要引导RNA，桥重组酶也需要桥RNA来识别目标与供体DNA。但如果一种RNA的序列与已知家族差得太远，常规检索可能连候选都找不到。

Arc Institute的Patrick D. Hsu团队把目光转向这些难以注释的区域：用 Evo-PIN 学习原核生物基因间序列，再通过 COMPASS 建立非编码序列图谱。研究随后沿着RNA结构、邻近蛋白和科研智能体三条线索，寻找值得实验验证的分子工具。Arc官方发布线程也将重点放在“未知非编码生物学”，而非一种已经完成验证的新编辑器。

论文信息

Title	Systematic mapping of the prokaryotic noncoding sequence space with a genomic language model
Journal	bioRxiv
Posted	2026-10-22
DOI	https://doi.org/10.64898/2026.10.21.760802

序列不像，能否先找到可能的同类

RNA可以在碱基序列变化很大时，仍保留相似结构与功能。直接逐字比较容易漏检；先做结构分析，又需要找到一批可能相关的序列。COMPASS 的切入口，是先用语言模型把这种关系转成可比较的数字表征。

研究汇集约14.4万个细菌与古菌代表物种的基因组，加上宏基因组数据，总计约1.3万亿碱基对。提取基因间区域并减少同源冗余后，得到7.5亿条代表性序列，用于在 Evo 2-7B 基础上继续预训练，形成 Evo-PIN。这里的输入是DNA，目标则是捕捉其中可能编码RNA的规律。

整段序列求平均会稀释局部功能信号。团队因此利用“预测熵”：它表示模型预测某个碱基时有多不确定。在已知非编码RNA区域，模型通常更确定，于是只汇总低熵位置的表征。已知家族基准上的聚类质量分数，从原始模型的0.43升至微调后的0.60，再升至0.65。这衡量同类序列是否聚到一起，不是功能预测准确率。

模型是否也学到了结构联系？团队逐个改变碱基，观察其他位置的预测概率如何变化。在五类已知RNA中，这种位置间依赖比原始模型更好地恢复了共识碱基配对，支持表征包含结构信息，但尚不是新RNA三维结构的验证。

进一步质控与聚类内去冗余后，3.76亿段序列被组织成约514万个聚类。同簇序列的两两一致性中位数仅28.5%，说明模型不只是重新汇总高度相似的序列。含已知RNA注释的聚类不足1%，但这不意味着其余99%都是新RNA家族：同一家族可能分散到多个簇，未注释区域也未必都有RNA功能。

---

---

找到RNA候选，还要找它身边的蛋白

把序列分组只是开始。接下来要问：同簇成员是否保留共同的RNA结构？附近是否反复出现某类蛋白基因？

团队统一序列方向，用 CMfinder 寻找保守结构，再检查“协变”：如果RNA两端需要配对，一端改变，另一端可能随之改变以维持配对。这样的演化证据，比单条序列预测出一个漂亮结构更有说服力。

约152万个簇得到代表性结构基序。排除已知RNA与疑似转录终止子、结合较强协变信号和邻近基因富集后，研究提出20,149个带候选蛋白伙伴的结构RNA聚类。邻域分析覆盖两侧各5 kb，寻找的是跨成员反复出现的关联，不是某一条序列偶然挨着一个蛋白基因。

其中能重新找到桥RNA与IS110重组酶的关联，也能发现保守RNA分别邻接几类功能相关蛋白的情况。还有一组相邻蛋白没有明确家族注释，却呈现相似预测折叠。这些线索有助于安排实验，但基因挨得近，不等于已证明RNA与蛋白结合；RNA也可能调节邻近基因的表达。

这里的“不依赖比对”，指最初的大规模表征聚类。后续结构与功能解释仍使用序列比对、协变模型、蛋白注释和结构检索，不能把整条流程说成完全不用已知知识。

---

---

从重复节奏里找RNA引导系统

CRISPR阵列由较保守的重复序列和变化较大的间隔序列交替组成。模型面对前者更确定、后者更不确定，预测熵就可能出现重复起伏。团队据此搜索周期信号，而不必先指定某个已知RNA家族。

达到周期性筛选条件的1,672个聚类中，主要信号落在三类区间：CRISPR约60–79个核苷酸，TIGR约18个，VIPR约5个。结合邻近蛋白的预测结构，又能分别对应到Cas12f等相关效应蛋白，形成RNA阵列与蛋白的双重支持。

另外一些簇显示不同的重复架构，例如可能形成串联小发卡的序列。它们值得追查，却还没有找到对应效应蛋白。周期性也可能来自DNA本身的结构特征。因此，这一步既能找回已知系统，也能提出新候选，不能把所有重复阵列都叫作新的基因编辑系统。

---

---

桥RNA能否识别更长的DNA

桥RNA包含两个识别环，分别与目标DNA和供体DNA配对，帮助重组酶完成DNA重组。对开发工具的人来说，一个具体问题是：自然界有没有识别序列更长、值得进一步测试的版本？

研究重新聚类桥重组酶附近的序列，结合RNA与DNA的协变，预测32,190个桥RNA位点的总可编程核苷酸数（TPN）。这个数是目标与供体识别段长度之和，并非单侧引导长度。

已实验表征的IS621桥RNA总计为28。此次预测中，6,113个候选、即19.0%的位点超过28。一个代表候选预计分别识别17个目标和17个供体核苷酸，合计34；用 Protenix 联合预测RNA、重组酶和DNA后，模型中也出现相应配对。

这使候选更值得测试，但结构图是计算模型，不是实验解析结构。识别更长，不等于已经证明编辑更准。 模型对已知IS621也存在漏判配对，后续还要检验实际重组效率、可编程性与脱靶情况。19%是“预测超过长度基准的候选比例”，不是精度提高19%。

---

---

智能体不只查资料，还要拼出候选证据

面对数百万聚类，研究者无法逐一追查。团队用 compass-agent 搭建研究者参与的工作流：人提出生物学问题与评价标准，智能体编写分析、检索文献和数据库、汇总结构及邻域证据，再由独立智能体复核。

一类任务是寻找已知功能的远缘成员。智能体在表征上训练简单分类器，分别搜索核糖开关与核酶：前者感知小分子并调节基因表达，后者直接催化反应。一个氟离子核糖开关候选簇含307个成员，均未达到原有 Rfam 家族模型的注释阈值，但保留可能的配体识别结构，并反复出现在氟离子通道CrcB基因旁。另一个锤头核酶候选簇有152个位点，保留三茎架构及CUGA核心，却未被六个既有锤头模型认出。

这两例说明多类证据可以补足单一注释阈值的盲点，不代表配体响应或催化活性已经测出。分类器也用了已知类别标签，不能把这一步称为完全无监督发现。

另一类任务更开放：在人设定证据标准后，智能体调查14,722个簇，评估11,849个“聚类—基序”假设，297个进入详细调查，得到14个暂定候选，最终只有1个满足全部评分标准。这比把上万个假设都算成发现，更能体现筛选的意义。

该候选与兼具核酸酶、解旋酶结构域的PhoH2蛋白相关：326个位点中，228个位于PhoH2基因5 kb范围内，148个紧邻该基因。智能体还分析了9份公开RNA测序数据，找到候选区域被转录的证据；不同PhoH2谱系附近也伴随不同RNA结构。它们共同支持后续实验，却仍不能证明RNA怎样影响PhoH2。

---

---

先改变找工具的方式，再谈治疗

Arc官方帖下，一条公开可见的读者评论问到：这项工作能否与癌症治疗进展结合？这个问题提示了应用期待，但本篇研究对象是原核生物非编码序列，没有癌症模型或治疗效果验证。近期价值更具体：缩小RNA与候选蛋白的实验搜索范围，找到值得开发的传感、调控或基因组工程部件。

论文目前为未同行评议预印本，新候选的分子功能仍待验证。研究者可以免登录浏览约25.5万个精选聚类，查看结构和基因邻域；通过模型上下文协议（MCP）接口，智能体可检索完整约514万个聚类。MCP连接需要登录，且并非每个簇都有结构与基序信息。

COMPASS 提供的不是一份已获认证的新工具目录，而是一张附有证据的候选地图。哪些RNA确实有功能、哪些蛋白是它的伙伴、哪些组合能成为好用的编辑工具，接下来要由实验回答。

来源与资源

资源	内容	链接
论文	正文、方法及补充图	https://doi.org/10.64898/2026.10.21.760802
COMPASS	精选聚类交互图谱	https://compass.arcinstitute.org/
官方说明	研究定位与网页收录范围	https://compass.arcinstitute.org/about
智能体入口	MCP说明与使用入口	https://compass.arcinstitute.org/agents
Arc官方线程	用户提供的发布帖及后续解读	https://x.com/arcinstitute/status/2113365767052042615
读者讨论	关于癌症应用的公开提问，不作为研究证据	https://x.com/OlafWoodall/status/2113366140382826525

配图均截自论文主图，保留完整分图；中文图注为独立概述。帖子讨论仅覆盖本次无需登录即可读取的内容，不代表全部评论。