AI模型以更少数据精准预测RNA三维结构，其表现可媲美“阿尔法折叠3”

美国弗吉尼亚理工大学科学家团队开发出一种名为“


RNAbpFlow


”的


AI


模型，在


RNA


结构预测任务中的表现可媲美谷歌旗下“深度思维”公司开发的“阿尔法折叠


3


”，且无需依赖海量进化序列数据库，有望加速


RNA


靶向药物研发。相关研究发表于新一期《自然·方法》杂志。

RNA


是


mRNA


疫苗等生物技术的核心分子，但其三维结构复杂且不断变化，比蛋白质更难预测。长期以来，由于


RNA


相关结构数据稀缺，科学家难以准确描绘其空间构象，这也成为


RNA


药物研发的一大瓶颈。

研究团队介绍，在一项国际通用基准的盲测中，


RNAbpFlow


成功预测了


14


个


RNA


目标中的


12


个正确结构，而“阿尔法折叠


3


”只预测了


8


个。更重要的是，


RNAbpFlow


无需依赖大多数主流工具所需的大规模进化序列数据库，仅利用


RNA


序列及碱基配对信息即可完成预测。

与“阿尔法折叠”等主要依靠进化信息推断结构的方法不同，


RNAbpFlow


采用近年来生成式


AI


领域广泛应用的流匹配技术，通过端到端方式直接生成


RNA


的全原子三维结构。模型从完全随机的噪声出发，在碱基配对信息引导下逐步折叠形成正确构象，并可一次生成多个不同结构，从而更好地反映


RNA


分子的动态变化。

该方法最大的优势在于对数据依赖较低。当前多数


AI


预测模型需要大量不同物种的相关


RNA


序列作为训练依据，而这类数据往往十分有限。


RNAbpFlow


无需这些数据库，因此特别适用于缺乏已知近缘序列的


RNA


分子。团队已利用该方法预测了新冠病毒基因组中的一个保守


RNA


结构元件以及实验室构建核酶等分子的结构。

不过，对于尺寸更大、结构更加复杂的


RNA


，依赖丰富进化信息的现有预测平台仍具有一定优势。


RNAbpFlow


则在数据稀缺的复杂场景中表现更为突出。

研究团队目前正开发升级版本，并计划参加今年夏季举行的


CASP


国际结构预测竞赛。