打开网易新闻 查看精彩图片

RNA的功能,远不止传递遗传信息。从参与蛋白质合成的核糖体RNA和转运RNA,到调控基因表达、介导RNA剪接的各类非编码RNA,这些分子的作用与其折叠方式密切相关。碱基序列决定哪些位置能够配对,配对进一步组织成茎环和更复杂的三维构象,最终影响RNA如何识别其他分子、参与生物学过程。如何建立序列、结构与功能之间的联系,一直是RNA研究的重要问题。

近年来,RNA语言模型借鉴自然语言处理中的预训练方法,从大规模序列中学习可迁移的特征,为结构预测和功能识别提供了新工具。不过,序列数据的快速积累,并未同步带来同等规模的高质量结构数据。已有模型虽然尝试引入结构信息,却往往依赖单一算法产生的预测结果,或在预训练时加入特定结构任务的监督目标。前者可能把预测工具的偏差带入模型,后者则可能使模型偏向某一任务,影响通用性。

2026年11月4日,中国科学技术大学周少华、熊鹏团队在Nature上发表了研究论文“An open structure-guided RNA foundation model for generalizable prediction”,提出了结构引导的RNA基础模型——structRFM。研究者构建了包含约2100万组RNA序列—结构配对的数据集,将碱基配对关系融入掩码语言建模,在保留通用自监督目标的同时,引导模型学习序列与结构之间的联系。该模型在RNA二级结构预测、三维结构建模及多项功能预测任务中展现出迁移能力,并开放了数据集、模型权重和源代码。

打开网易新闻 查看精彩图片

把结构知识融入“补全序列”的过程

普通掩码语言模型的学习方式,是遮住序列中的部分碱基,再根据上下文恢复它们。但RNA中的关联并不局限于序列上相邻的位置:两个相隔较远的碱基,可能通过配对共同组成一段茎结构。如果掩码过程始终随机进行,这类关系便缺少有针对性的学习引导。

团队设计的结构引导掩码语言建模策略SGMLM,将碱基配对信息用于选择遮蔽位置。通过PairMatch操作,当被选中的碱基参与配对时,掩码能够同时覆盖其配对伙伴,促使模型结合周围序列和结构上下文恢复被遮蔽的碱基。训练目标仍是预测缺失碱基,结构知识则通过掩码方式进入学习过程。随着训练推进,结构引导掩码在混合策略中的占比逐步增加,使模型从基础序列规律学习过渡到序列与结构的联合学习。

结构注释的来源同样重要。为降低对单一工具的依赖,团队提出多源二级结构集成策略MUSES,整合基于热力学的ViennaRNA、基于概率模型的CONTRAfold,以及结合物理先验的深度学习方法BPfold,生成用于预训练的共识配对信息。需要说明的是,这些结构主要来自计算预测,并非2100万条RNA均获得了实验结构;多源集成的作用,是降低单一预测方法带来的偏差。

完成预训练后,structRFM能够输出整条序列、单个核苷酸和核苷酸配对关系三个层面的特征,分别支持RNA分类、位点识别及结构推断等任务。

从二级结构到三维折叠,检验结构知识能否迁移

研究者首先在不进行任务专门训练的情况下,考察模型学到了什么。在17种生物语言模型的比较中,structRFM在两套数据上的零样本同源性分类均位居前四。部分注意力图还能够反映碱基配对模式,提示预训练已经使模型获得一定的结构表征能力。

经过面向二级结构预测的微调,structRFM在ArchiveII600和bpRNA-TS0数据集上的相互作用网络保真度指标INF分别达到0.890和0.669,高于比较模型RiNALMo-Mega的0.858和0.638。INF用于衡量预测与参考结构中相互作用关系的一致程度。与未采用结构引导预训练的消融模型相比,structRFM整体表现更好,支持预训练阶段引入配对信息的价值。

团队进一步将structRFM的配对特征接入trRosettaRNA三维结构预测流程,构建了Zfold。该方法利用预训练模型提供的结构信息,辅助生成用于三维折叠的几何约束。在CASP15天然RNA、CASP16及RNA-Puzzles测试中,Zfold在论文报告的多项结构指标上均优于原始trRosettaRNA及未采用结构引导预训练的模型,整体表现可与AlphaFold 3相比;在CASP15天然RNA及RNA-Puzzles上,其平均TM-score和GDT-TS略高于AlphaFold 3。

这些结果说明,预训练得到的配对特征不仅有助于恢复二级结构,也能服务于更复杂的三维建模。不过,这些比较来自特定RNA测试集,不能据此推断模型已在所有RNA结构预测场景中优于AlphaFold 3。论文也指出,合成RNA、长程相互作用及部分局部茎结构仍然具有挑战,预测结构中还存在键角和平面性等几何问题。

结构引导的收益,延伸至功能预测

基础模型的通用性,还需要在结构预测之外检验。团队选择剪接位点预测、内部核糖体进入位点(IRES)识别和非编码RNA分类,分别考察模型在核苷酸与整条序列层面的功能推断能力。

在剪接位点预测中,structRFM的top-k准确率为0.416,高于RNA-MSM、UTR-LM和RNA-FM等比较模型,但仍低于面向剪接任务的SpliceBERT。这个结果表明,从非编码RNA中学习的特征能够迁移到前体mRNA任务,同时也说明通用预训练尚不能替代所有专门模型。

在IRES识别任务中,structRFM的F1分数达到0.701,高于论文比较的IRESfinder和DeepIRES;在包含13类RNA的nRC数据集上,F1分数达到0.979。去掉结构引导预训练后,多项功能指标下降,提示结构信息带来的收益能够延伸到部分功能识别任务。不过,这些结果反映的是数据集上的预测能力,具体RNA的生物学功能仍需实验验证。

面对新家族和长RNA,泛化能力走到哪一步?

为检验模型能否处理预训练阶段未见的RNA家族,研究者从新版Rfam中整理了436条来自新增家族的序列。采用两套不同数据进行二级结构微调的模型,在这些序列上的INF分别达到0.648和0.698,说明模型对时间上晚于预训练数据的新家族保留了一定预测能力。

对于超过模型512个核苷酸输入上限的长RNA,团队比较了直接截断、不重叠窗口和重叠窗口三种处理方式。采用重叠窗口后,人和小鼠长链非编码RNA分类任务的F1分数分别约为0.959和0.946,优于直接截断。窗口策略能够利用更多局部信息,但尚不能完整捕捉整条长RNA上的全局关系,因此这一分类结果并不意味着长RNA结构预测问题已经解决。

总体而言,structRFM展示了一条将RNA结构知识融入通用预训练的可行路径:通过多源预测构建结构注释,再利用配对关系改变模型的学习方式,使获得的特征能够服务于多种下游任务。其价值既在于多项基准上的性能提升,也在于开放了可供后续研究使用的序列—结构数据与模型资源。未来,如何纳入非经典配对和更丰富的结构相互作用、直接建模更长序列,并系统评估训练效率与扩展能力,将决定这一路线能够走多远。

https://doi.org/10.1038/s41586-026-11210-2

学术合作组织

(*排名不分先后)

打开网易新闻 查看精彩图片


战略合作伙伴

(*排名不分先后)

推荐直播

转载须知


【非原创文章】本文著作权归文章作者所有,欢迎个人转发分享,未经作者的允许禁止转载,作者拥有所有法定权利,违者必究。

BioArt

Med

Plants

人才招聘

打开网易新闻 查看精彩图片

点击主页推荐活动

关注更多最新活动!

打开网易新闻 查看精彩图片
打开网易新闻 查看精彩图片