揭秘基因组的“暗物质”：长非编码RNA的功能研究深度解析

发表于2025-07-19|更新于2025-07-26|计算机科学

|浏览量:

作者：qmwneb946

引言：生命密码中的未解之谜

在生物学的宏伟殿堂中，我们曾一度认为，是蛋白质承载了生命绝大多数的功能。基因组中那广袤的非编码区域，特别是那些不翻译成蛋白质的RNA分子，曾被戏谑地称为“垃圾DNA”或“转录噪音”。然而，科学的进步总能颠覆固有认知。随着高通量测序技术的飞速发展，一个庞大而神秘的RNA家族浮出水面——长非编码RNA（long non-coding RNA, lncRNA）。它们定义为长度超过200个核苷酸，却不编码蛋白质的RNA分子。这片“暗物质”般的基因组区域，如今正逐渐展现其在生命活动中不可或缺的调控作用，从细胞发育、分化，到疾病发生发展，无不有其身影。

对于我们这些痴迷于逻辑、结构和系统的人来说，lncRNA无疑是一个极具吸引力的研究对象。它们不像蛋白质那样有明确的三维结构和催化活性位点，却能以其独特的序列、结构和相互作用模式，精准地调控基因表达，参与信号通路，甚至影响染色质的高级结构。这就像是在我们熟悉的CPU、内存、硬盘之外，发现了一套由非传统材料构建的、高度复杂的、以全新逻辑运行的“生物固件”或“系统级脚本”，它们不直接执行计算，却能深刻地影响整个系统的运行效率和行为模式。

本文将带领大家深入探讨lncRNA的功能研究，揭开其神秘面纱。我们将从lncRNA的定义与分类出发，逐步深入其多样的作用机制，探讨最新的技术挑战与研究方法，并展望其在未来生物医学领域的巨大潜力。准备好了吗？让我们一同踏上这段充满发现的旅程！

长非编码RNA的定义与分类

何为长非编码RNA？

长非编码RNA，顾名思义，是长度超过200个核苷酸，并且不具备蛋白质编码潜能的RNA分子。这个“200个核苷酸”的界限是一个经验性的划分，主要是为了将其与小分子RNA（如miRNA、siRNA、piRNA等）区分开来。尽管它们不编码蛋白质，但并非“无用”的副产物。相反，越来越多的证据表明，lncRNA在细胞内扮演着至关重要的调控角色，其功能复杂多样，远超我们最初的想象。

从信息论的角度来看，mRNA是携带编码信息，可以视为可执行的指令集；而lncRNA则更像是元数据、配置脚本或高级宏指令，它们不直接执行计算，但能调整程序的运行环境、数据流向甚至修改指令集的行为。

LncRNA的分类

lncRNA的分类方式多种多样，最常见的分类是基于它们与邻近蛋白质编码基因在基因组上的相对位置。这有助于我们理解它们潜在的作用模式。

基因间长非编码RNA（Intergenic lncRNA, lincRNA）: 位于两个蛋白质编码基因之间的区域，不与任何蛋白质编码基因重叠。它们通常独立转录，是最早被广泛关注的一类lncRNA。
内含子长非编码RNA（Intronic lncRNA）: 位于蛋白质编码基因的内含子区域，与蛋白质编码基因共转录，但成熟后独立存在。它们可能在剪接过程中发挥作用。
反义长非编码RNA（Antisense lncRNA）: 与蛋白质编码基因在基因组上存在转录方向相反的重叠区域。它们可以调控其Sense链上的基因表达，例如通过形成RNA-RNA双链结构影响转录或转录后加工。
正义长非编码RNA（Sense lncRNA）: 与蛋白质编码基因在基因组上存在转录方向相同的重叠区域。这包括：
- 启动子相关长非编码RNA（Promoter-associated lncRNA, pncRNA）: 从蛋白质编码基因的启动子区转录。
- 增强子相关长非编码RNA（Enhancer-associated lncRNA, eRNA）: 从增强子区域转录，可能参与增强子的活化。
环状RNA（Circular RNA, circRNA）: 虽然不是严格意义上的“长非编码RNA”，但许多circRNA不编码蛋白质且长度可超过200nt，它们由前体mRNA通过反向剪接形成，形成一个闭合的环状结构，具有高度的稳定性和独特的调控功能，如miRNA海绵。

这种分类并非互斥，一个lncRNA可能同时具备多种特征。理解这些分类有助于我们初步推测其在细胞内的潜在功能。

LncRNA的多元化功能机制

lncRNA之所以能够执行如此广泛的调控功能，在于其多样的作用机制。它们可以与DNA、RNA、蛋白质甚至小分子相互作用，形成复杂的调控网络。从宏观的染色质结构调控到微观的mRNA稳定性影响，lncRNA展现了令人惊叹的灵活性。

调控染色质结构与基因转录

LncRNA在染色质水平上的调控是其最引人注目的功能之一。它们可以像“支架”或“指南”一样，招募或引导蛋白质复合物到特定的基因组位点，从而改变染色质的开放性，影响基因的转录活性。

招募染色质修饰复合物

许多lncRNA能够直接结合到染色质修饰酶（如组蛋白甲基转移酶、组蛋白去乙酰化酶）或染色质重塑复合物上，并将其招募到特定的基因组区域。例如，著名的Xist lncRNA是X染色体失活的关键调控因子，它能大量结合在其中一条X染色体上，并招募多梳抑制复合物2（PRC2）等，导致该X染色体上基因的广泛沉默。

数学上，我们可以将这种招募过程抽象为一个结合亲和力的模型。假设lncRNA $L$ 与蛋白质复合物 $P$ 结合形成复合物 $LP$ ，并将其引导至基因组靶点 $T$ 。结合过程可以用解离常数 $K_D$ 来描述：

$K_D = \frac{[L][P]}{[LP]}$

一个低的 $K_D$ 值表示高亲和力，意味着lncRNA能高效地“捕捉”并“运输”其蛋白质伙伴。这种精确的靶向能力是lncRNA发挥功能的基础。

形成染色质环与增强子-启动子相互作用

LncRNA还可以参与形成染色质高级结构，如染色质环。通过与特定蛋白质因子相互作用，lncRNA可以帮助远距离的增强子（Enhancer）与启动子（Promoter）相互靠近，从而促进基因的转录。例如，增强子RNA (eRNA) 便是从增强子区域转录而来，它们能够稳定增强子-启动子之间的互作，提升基因表达效率。这就像是构建一个动态的“数据总线”，将远端的数据源（增强子）与处理单元（启动子）连接起来，实现高效的信息传递。

参与转录后基因表达调控

除了在转录水平的宏观调控，lncRNA也能在转录后阶段精细地调控基因表达，包括影响mRNA的剪接、稳定性和翻译。

调控mRNA剪接

一些lncRNA可以直接与剪接体组分相互作用，或与前体mRNA结合，影响内含子的剪切和外显子的拼接，从而调控特定蛋白质编码基因的剪接模式，产生不同的异构体。例如，MALAT1 lncRNA被发现能够与SR蛋白（一种参与剪接的重要调控蛋白）结合，影响细胞内多种基因的替代剪接。

影响mRNA稳定性与降解

LncRNA可以通过多种方式影响mRNA的稳定性。它们可以作为“诱饵”（decoy），竞争性结合与mRNA稳定性相关的蛋白质（如RNA结合蛋白），使其无法正常作用于靶mRNA，从而延长或缩短mRNA的半衰期。另外，一些lncRNA可以直接与靶mRNA形成RNA-RNA双链，招募RNA降解酶，加速靶mRNA的降解。

mRNA的半衰期可以通过指数衰减模型来描述：

$M(t) = M_0 e^{-\lambda t}$

其中 $M(t)$ 是时间 $t$ 时的mRNA丰度， $M_0$ 是初始丰度， $\lambda$ 是衰减常数。LncRNA通过改变 $\lambda$ 来影响mRNA的寿命。

调控mRNA翻译

少数lncRNA甚至被发现能够直接影响mRNA的翻译效率。它们可能通过结合翻译起始因子、核糖体或者特定的mRNA区域，来促进或抑制蛋白质的合成。这是一个相对较新的研究领域，其机制尚在探索中。

作为分子支架与导向器

许多lncRNA不编码蛋白质，但它们自身的复杂二级和三级结构，以及其与多种分子结合的能力，使其能够作为“分子支架”（molecular scaffold）或“导向器”（guide），将不同的蛋白质、RNA分子组织在一起，形成功能性的核糖核蛋白（RNP）复合物，或引导这些复合物到特定的细胞内位置。

例如，著名的HOTAIR lncRNA可以同时结合PRC2和LSD1（一种组蛋白去甲基化酶），将这两个不同的染色质修饰复合物招募到其靶基因上，协同抑制基因表达。这就像一个多端口的路由器，将不同的数据流导向正确的终端。

竞争性内源RNA（ceRNA）机制：miRNA海绵

这是lncRNA功能中最经典、也最受关注的机制之一。LncRNA可以作为“miRNA海绵”（miRNA sponge），通过竞争性结合细胞内的microRNA（miRNA），从而解除miRNA对靶mRNA的抑制作用，间接上调靶mRNA的表达。

想象一下，miRNA是细胞内的小型“噪声过滤器”，它们通过与特定mRNA结合来抑制其翻译或加速其降解。如果一个lncRNA富含与特定miRNA结合的位点，并且其在细胞内的丰度足够高，它就能像一块巨大的“海绵”一样，吸收大量的miRNA，使得这些miRNA无法结合到它们原本的靶mRNA上，从而解除对这些mRNA的抑制。

这个机制可以用一个简单的平衡方程来理解。假设miRNA $M$ 可以结合到lncRNA $L$ 上形成 $ML$ 复合物，也可以结合到靶mRNA $T$ 上形成 $MT$ 复合物，从而抑制 $T$ 的表达。当 $L$ 的浓度增加时，根据质量作用定律，更多的 $M$ 会与 $L$ 结合，从而降低与 $T$ 结合的 $M$ 的浓度，解除对 $T$ 的抑制。

从系统生物学角度看，ceRNA网络是一个复杂的调控层，其中各种RNA分子（lncRNA, circRNA, mRNA）通过竞争性结合miRNA而相互影响，形成一个庞大的“RNA话语权”网络。分析这个网络通常需要计算生物学方法，例如构建相关性网络，并使用统计学方法检验这种竞争性结合的显著性。例如，可以使用Hypergeometric test来评估一个lncRNA和mRNA共同包含某个miRNA结合位点的富集程度。

细胞器定位与功能调控

LncRNA不仅在细胞核内发挥作用，一些lncRNA也定位在细胞质中，甚至特定的细胞器中，如线粒体、内质网等，并在那里执行特定的功能。例如，一些lncRNA在线粒体中参与调控线粒体基因的表达，或影响线粒体的形态和功能。这表明lncRNA的功能不仅仅局限于基因表达调控的中心法则，还扩展到细胞的代谢和结构维护。

LncRNA功能研究的技术挑战与方法

尽管lncRNA的功能研究取得了巨大进展，但由于其结构多样、丰度相对较低、特异性结合位点难以预测等特点，对其功能的研究仍然充满挑战。幸运的是，随着分子生物学和计算生物学技术的不断革新，我们拥有了越来越强大的工具来揭示lncRNA的奥秘。

高通量测序技术：发现与表达谱分析

高通量测序（Next-Generation Sequencing, NGS），特别是RNA测序（RNA-seq），是lncRNA研究的基石。它使得我们能够对细胞或组织中所有的RNA分子进行全面、定量的分析，从而发现新的lncRNA，并研究它们的表达模式。

RNA-seq 数据分析流程：

测序数据质控： 使用FastQC等工具检查原始测序数据的质量，去除低质量 reads。
序列比对： 将高质量 reads 比对到参考基因组上，常用工具如STAR、HISAT2。
转录本组装与定量： 识别并组装新的转录本，并对已知或新的lncRNA进行定量（reads count）。常用工具如StringTie、FeatureCounts。
差异表达分析： 比较不同条件（如疾病 vs 健康、处理 vs 对照）下lncRNA的表达差异。常用的R包有DESeq2、edgeR。这些工具基于统计模型（如负二项分布）来估计表达量差异的显著性，并校正多重假设检验。
例如，DESeq2中的差异表达分析，其核心是估计离散度（dispersion）和效应量（log2 fold change）。对于每个基因，它拟合一个广义线性模型：
$\log_2(q_{ij}) = \beta_{i0} + \beta_{i1}x_j$
其中 $q_{ij}$ 是样本 $j$ 中基因 $i$ 的标准化计数期望值， $x_j$ 是一个指示变量表示样本 $j$ 属于哪个实验组。 $\beta_{i1}$ 即为 $\log_2$ 倍数变化。通过沃尔德检验（Wald test）或似然比检验（Likelihood Ratio Test, LRT）来评估 $\beta_{i1}$ 是否显著不为零。
生物学功能富集分析： 对差异表达的lncRNA进行下游功能预测和富集分析，例如与蛋白质编码基因的共表达网络分析，或miRNA靶点预测。

R语言中的DESeq2伪代码示例：

# 假设已经安装并加载了DESeq2包
# countData: 基因表达计数矩阵 (行: 基因, 列: 样本)
# colData: 样本信息矩阵 (行: 样本, 列: 条件)
# 假设colData中有一个名为'condition'的列，包含'control'和'treatment'

# 1. 创建DESeqDataSet对象
dds <- DESeqDataSetFromMatrix(countData = countData,
                              colData = colData,
                              design = ~ condition)

# 2. 运行DESeq分析
dds <- DESeq(dds)

# 3. 提取结果
res <- results(dds)

# 4. 按P值排序并查看前几行
res_ordered <- res[order(res$pvalue),]
head(res_ordered)

# 5. 筛选差异表达基因 (例如: pvalue < 0.05 和 log2FoldChange 绝对值 > 1)
significant_lncRNAs <- subset(res_ordered, pvalue < 0.05 & abs(log2FoldChange) > 1)

# 可以进一步进行可视化 (如MA图, 火山图) 和功能注释

基因编辑技术：CRISPR/Cas9的精准打击

CRISPR/Cas9系统已成为研究lncRNA功能的强大工具。通过精准地敲除（knockout）、敲低（knockdown）、过表达（overexpression）或改变特定lncRNA的表达，我们可以直接观察其对细胞表型和基因表达的影响。

CRISPRi/a (CRISPR interference/activation): 利用失活的Cas9（dCas9）融合转录抑制因子或激活因子，精准地抑制或激活特定lncRNA的转录，而不改变其基因组序列。
lncRNA基因敲除/敲入： 直接在基因组水平上编辑lncRNA的编码区域，造成其永久性缺失或引入突变。
核酸药物： 利用反义寡核苷酸（ASO）或siRNA来靶向降解特定的lncRNA，实现功能敲低。

这些方法能够提供“因果”证据，验证lncRNA是否在特定生物学过程中发挥了关键作用。

RNA互作组学：揭示分子伴侣

了解lncRNA与哪些分子相互作用是揭示其功能机制的关键。一系列基于高通量测序的实验技术被开发出来，用于鉴定lncRNA的结合伴侣。

RNA pull-down (RNA-蛋白质相互作用): 利用生物素标记的lncRNA作为诱饵，从细胞裂解液中捕获其结合的蛋白质，随后通过质谱鉴定这些蛋白质。
ChIRP (Chromatin Isolation by RNA Purification) / CHART (Capture Hybridization Analysis of RNA Targets): 用于鉴定lncRNA与染色质上的DNA以及相关蛋白质的相互作用位点。通过设计靶向lncRNA的探针，将lncRNA-染色质-蛋白质复合物富集，再进行DNA测序（揭示结合DNA位点）和质谱（揭示结合蛋白质）。
RIP (RNA Immunoprecipitation) / iCLIP (individual-nucleotide resolution Cross-Linking and Immunoprecipitation): 用于鉴定特定RNA结合蛋白（RBP）所结合的lncRNA。通过特异性抗体沉淀RBP及其结合的RNA，再进行RNA测序。

这些技术就像复杂的侦探工具，帮助我们追踪lncRNA的“社交网络”，揭示其在细胞内的“工作团队”。

亚细胞定位研究：功能区域的探索

lncRNA的亚细胞定位与其功能密切相关。细胞核内的lncRNA通常参与染色质修饰和转录调控，而细胞质内的lncRNA则更多地参与mRNA的剪接、翻译和稳定性调控。

FISH (Fluorescence In Situ Hybridization): 通过荧光标记的探针与lncRNA杂交，直接在细胞内观察lncRNA的定位。这是最直观且广泛使用的定位技术。
细胞分级分离结合qPCR/RNA-seq： 通过离心等方法分离细胞核和细胞质组分，再通过qPCR或RNA-seq定量分析lncRNA在不同组分中的丰度。

计算生物学与生物信息学：预测与网络构建

计算生物学在lncRNA功能研究中扮演着越来越重要的角色。由于实验验证的高成本和高通度需求，计算预测成为了指导实验的强大手段。

lncRNA功能预测：

共表达网络分析： 基于大规模转录组数据，识别与已知功能基因共表达的lncRNA。如果一个lncRNA与一组功能相关的蛋白质编码基因表达模式高度相似，它可能参与了与这些基因相同或相关的生物学过程。皮尔逊相关系数 $r$ 或斯皮尔曼相关系数 $\rho$ 是衡量共表达的常用指标。
$r = \frac{\sum_{i=1}^{n}(x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum_{i=1}^{n}(x_i - \bar{x})^2}\sqrt{\sum_{i=1}^{n}(y_i - \bar{y})^2}}$
其中 $x_i$ 和 $y_i$ 分别是lncRNA和蛋白质编码基因在样本 $i$ 中的表达量。
保守性分析： 虽然lncRNA的序列保守性普遍低于蛋白质编码基因，但一些功能重要的lncRNA在进化上存在一定程度的保守性，这可以作为功能预测的依据。
结构预测： 预测lncRNA的二级和三级结构，这对于理解其与蛋白质或RNA的结合模式至关重要。
机器学习方法： 利用已知功能的lncRNA作为训练集，构建分类模型（如支持向量机SVM、随机森林Random Forest、神经网络等）来预测新发现lncRNA的功能。模型的特征可以包括序列特征（长度、GC含量、保守性）、表达模式、亚细胞定位信号、与蛋白质编码基因的距离和方向等。

构建调控网络：

ceRNA网络构建： 基于miRNA、lncRNA和mRNA的表达数据以及miRNA靶点预测结果，构建ceRNA调控网络。这通常涉及：
1. 鉴定表达差异的miRNA、lncRNA和mRNA。
2. 预测lncRNA-miRNA和miRNA-mRNA的相互作用。
3. 通过计算lncRNA与mRNA之间的GSEA（Gene Set Enrichment Analysis）或Spearman相关系数，并结合miRNA的抑制作用，筛选出有意义的ceRNA对。
lncRNA-蛋白质相互作用网络： 整合RNA pull-down、RIP等实验数据，以及基于序列特征或结构预测的计算方法，构建lncRNA与蛋白质的相互作用网络。
多组学数据整合： 将基因组、转录组、表观基因组和蛋白质组数据整合起来，构建更全面的生物学调控网络，从而更系统地理解lncRNA在复杂生物学过程中的作用。

Python中构建简单共表达网络的伪代码示例：

import pandas as pd
from scipy.stats import pearsonr
import networkx as nx
import matplotlib.pyplot as plt

# 假设 expression_df 是一个包含lncRNA和mRNA表达量的DataFrame
# 索引是基因ID，列是样本ID

# 筛选lncRNA和mRNA (假设基因ID前缀可区分)
lncRNA_ids = [gene for gene in expression_df.index if gene.startswith('LNC_')]
mRNA_ids = [gene for gene in expression_df.index if gene.startswith('MRNA_')]

# 初始化边列表
edges = []
correlation_threshold = 0.8 # 相关系数阈值
pvalue_threshold = 0.05    # p值阈值

# 计算lncRNA与mRNA之间的相关性
for lnc_id in lncRNA_ids:
    for mrna_id in mRNA_ids:
        # 确保有足够的数据点进行相关性计算
        if len(expression_df.loc[lnc_id]) > 1 and len(expression_df.loc[mrna_id]) > 1:
            corr, p_value = pearsonr(expression_df.loc[lnc_id], expression_df.loc[mrna_id])
            if abs(corr) > correlation_threshold and p_value < pvalue_threshold:
                edges.append((lnc_id, mrna_id, {'correlation': corr, 'p_value': p_value}))

# 构建网络图
G = nx.Graph()
G.add_edges_from(edges)

# 可视化网络 (简单的例子)
# pos = nx.spring_layout(G)
# nx.draw_networkx_nodes(G, pos, node_color='skyblue', node_size=50)
# nx.draw_networkx_edges(G, pos, edge_color='gray', alpha=0.5)
# nx.draw_networkx_labels(G, pos, font_size=8)
# plt.title("LncRNA-mRNA Co-expression Network")
# plt.show()

# 可以进一步使用更专业的网络可视化工具如Cytoscape

LncRNA在疾病发生发展中的作用

LncRNA的异常表达或功能障碍与多种人类疾病的发生发展密切相关，这使得它们成为疾病诊断生物标志物和潜在治疗靶点。

癌症

LncRNA在癌症中扮演着“双面角色”，有些lncRNA促进肿瘤生长（癌基因lincRNA），有些则抑制肿瘤（抑癌lincRNA）。它们通过调控细胞增殖、凋亡、迁移、侵袭以及化疗耐药性等关键肿瘤生物学过程来影响癌症进展。

经典的癌基因lncRNA： 例如，H19在多种癌症中高表达，促进细胞增殖和侵袭。HOTAIR在乳腺癌、结肠癌等中高表达，通过招募PRC2调控基因表达，促进肿瘤转移。
经典的抑癌lncRNA： 例如，PTENP1是PTEN基因的假基因lncRNA，它可以通过ceRNA机制竞争性结合miR-17和miR-21，从而上调PTEN的表达，抑制肿瘤生长。

对癌症中lncRNA的研究不仅加深了我们对癌症机制的理解，也为开发基于lncRNA的新型诊断工具和治疗策略提供了广阔前景。

神经退行性疾病

在阿尔茨海默病、帕金森病、亨廷顿病等神经退行性疾病中，lncRNA也显示出重要的调控作用。它们可能参与神经元的损伤、炎症反应、蛋白质聚集等病理过程。例如，BACE1-AS lncRNA被发现与阿尔茨海默病发病机制相关的BACE1酶的表达有关。

心血管疾病

LncRNA在心肌肥厚、心力衰竭、动脉粥样硬化等心血管疾病中也有显著作用。它们参与调控心肌细胞的增殖、分化、凋亡以及血管平滑肌细胞的功能。例如，Mhrt lncRNA通过与Brg1蛋白结合，抑制Brg1对心肌肥厚相关基因的激活，从而抑制病理性心肌肥厚。

其他疾病

除了上述疾病，lncRNA还在糖尿病、自身免疫病、感染性疾病等多种人类疾病中发挥重要作用，它们作为疾病发生发展中的关键调控节点，正在成为精准医学领域的新焦点。

未来展望与挑战

LncRNA功能研究无疑是生命科学领域最具活力和挑战性的前沿之一。随着技术的不断进步，未来的研究将朝着更加深入和精细的方向发展。

更深度的机制解析

目前对许多lncRNA的功能机制仍然停留在关联层面，缺乏系统和全面的因果链条解析。未来的研究需要结合多学科手段，如结构生物学（冷冻电镜解析RNP复合物结构）、化学生物学（开发小分子探针干预lncRNA功能）、单细胞组学（揭示lncRNA在细胞异质性中的作用）等，深入阐明lncRNA在分子层面的精确调控机制。

精准的治疗策略

由于lncRNA在多种疾病中的关键作用，它们被认为是潜在的治疗靶点。开发基于lncRNA的核酸药物（如ASO、siRNA）或基因编辑疗法，将是未来的重要方向。然而，如何实现高效、精准的体内递送，避免脱靶效应，以及克服免疫原性等，仍是亟待解决的技术难题。

动态调控网络的构建

生命活动是动态变化的，lncRNA的功能也并非一成不变。未来的研究将更加关注lncRNA在不同刺激、不同细胞周期阶段以及不同发育阶段的动态调控，构建时序性的、多尺度的lncRNA调控网络，从而更全面地理解其在复杂生命系统中的作用。这将需要更强大的计算模型和更智能的算法，例如基于动态贝叶斯网络或深度学习的方法来模拟和预测lncRNA调控的动态过程。

人工智能与大数据融合

面对海量的lncRNA数据，人工智能和机器学习将发挥越来越关键的作用。从更精准的lncRNA识别和分类，到功能预测、相互作用网络构建，再到基于lncRNA的疾病诊断模型和药物设计，AI将成为加速lncRNA研究的“智能引擎”。我们可以期待看到更多基于图神经网络（Graph Neural Networks）来分析lncRNA互作网络，或基于Transformer模型来理解lncRNA序列与结构编码功能的尝试。