AI模型以更少數據精準預測RNA三維結構

美國弗吉尼亞理工大學科學家團隊開發出一種名為“RNAbpFlow”的AI模型，在RNA結構預測任務中的表現可媲美谷歌旗下“深度思維”公司開發的“阿爾法折疊3”，且無需依賴海量進化序列數據庫，有望加速RNA靶向藥物研發。相關研究發表于新一期《自然·方法》雜志。

RNA是mRNA疫苗等生物技術的核心分子，但其三維結構復雜且不斷變化，比蛋白質更難預測。長期以來，由于RNA相關結構數據稀缺，科學家難以準確描繪其空間構象，這也成為RNA藥物研發的一大瓶頸。

研究團隊介紹，在一項國際通用基準的盲測中，RNAbpFlow成功預測了14個RNA目標中的12個正確結構，而“阿爾法折疊3”只預測了8個。更重要的是，RNAbpFlow無需依賴大多數主流工具所需的大規模進化序列數據庫，僅利用RNA序列及堿基配對信息即可完成預測。

與“阿爾法折疊”等主要依靠進化信息推斷結構的方法不同，RNAbpFlow采用近年來生成式AI領域廣泛應用的流匹配技術，通過端到端方式直接生成RNA的全原子三維結構。模型從完全隨機的噪聲出發，在堿基配對信息引導下逐步折疊形成正確構象，并可一次生成多個不同結構，從而更好地反映RNA分子的動態變化。

該方法最大的優勢在于對數據依賴較低。當前多數AI預測模型需要大量不同物種的相關RNA序列作為訓練依據，而這類數據往往十分有限。RNAbpFlow無需這些數據庫，因此特別適用于缺乏已知近緣序列的RNA分子。團隊已利用該方法預測了新冠病毒基因組中的一個保守RNA結構元件以及實驗室構建核酶等分子的結構。

不過，對于尺寸更大、結構更加復雜的RNA，依賴豐富進化信息的現有預測平臺仍具有一定優勢。RNAbpFlow則在數據稀缺的復雜場景中表現更為突出。

研究團隊目前正開發升級版本，并計劃參加今年夏季舉行的CASP國際結構預測競賽。