structRFM 研究登上《自然》:让 RNA 模型在读序列时学会结构关系

English

中国科大11月5日介绍发表于《自然》的 structRFM 研究,将碱基配对关系融入预训练。代码、模型与数据已有公开入口;本次新闻点是论文发表与方法披露,并非认定项目当天首次开源。

AI 生成概念图:单链带状结构与连接线表现 RNA 折叠及碱基配对意象

RNA 序列是一串字符,但分子发挥功能时,字符之间并不是只有前后相邻这一种关系。相隔较远的碱基可以配对,序列因而形成折叠结构。中国科学技术大学介绍的一项新近发表研究,把这种配对关系带入基础模型训练,让模型在恢复被遮蔽的序列位置时,也学习结构上的联系。

据中国科大11月5日公告,周少华、熊鹏团队的论文“An open structure-guided RNA foundation model for generalizable prediction”于当天凌晨在《自然》在线发表。模型名为 structRFM,研究关注 RNA 结构预测及功能推断。本轮以论文发表为新增事件;作者仓库仍列有2025年预印本,因此不能把这次报道写成该项目第一次出现或当天首次开源。[1][2]

校方介绍,团队借助多来源二级结构集成方法 MUSES,整合不同预测方法的结果,构建约2100万条序列与二级结构配对数据。这些结构经过计算注释,并不等于2100万条均有实验测定的结构。模型训练同时使用结构引导和随机掩码,使序列恢复任务能够利用配对信息,又不完全依赖一种固定遮蔽方式。[1]

研究报告的评估覆盖结构和功能两类问题,包括二级结构预测、向三级结构预测提供特征,以及剪接位点、内部核糖体进入位点和非编码 RNA 分类等任务。校方称相关表现获得改善;这些是研究团队披露的实验结果,本轮没有重新运行模型,也不将它们概括为对所有 RNA 问题都成立的优势。[1]

从方法上看,这项工作提出的关键问题是:基础模型怎样使用不完美的结构信息。计算预测可以补足大量缺少实验注释的序列,但预测本身也有误差。把多个来源的信息汇合,是研究采用的处理路径;外部复核仍需要检查不同数据划分和 RNA 家族下的表现,才能判断哪些提升能够迁移到新任务。这里是对研究方法的编辑分析。

公开仓库给出的复用路径比单一在线演示更具体:研究者可以查阅源代码、预训练模型入口和序列—结构数据下载说明,也可以按任务使用特征提取或微调流程。仓库提供 MIT 许可证文件,但实际采用时仍应分别查看所下载数据与其他依赖的说明。本轮确认了这些公开入口,未逐一下载所有文件或验证训练流程。[2]

开放资源的价值,在于让外部团队有机会使用同一套材料追问结果。例如,结构注释换一种来源后,性能是否保持;面对训练中少见的家族时,错误是否集中在某类配对;长序列的处理策略是否会损失跨片段关系。这些问题需要后续实验回答,不能用“模型已开源”代替答案。

对关注 AI 科研工具的读者,structRFM 的进展体现了训练任务设计的重要性:不仅扩大数据量,还改变模型从数据里被要求学会什么。论文发表与资源公开提供了进一步检查的起点;药物发现等应用仍属于后续研究方向,当前证据不支持把它写成已经交付的药物成果或临床能力。


来源:

  1. 中国科大科研进展公告

  2. 作者公开项目 structRFM

  3. 论文 DOI(校方提供;本轮出版社全文受访问限制)