2100万条序列-结构对喂出的RNA模型structRFM，想解决的是"换个家族就失灵"

作者：陈一帆

深圳湾实验室团队在《自然》发表开源RNA基础模型structRFM，用2100万条序列-结构对预训练，主打二级/三级结构预测与跨家族零样本泛化。它和AlphaFold的区别在于数据形态：RNA实验结构少，只能靠大规模配对数据补课。具体提升幅度与开源范围仍需看论文细节。

文/陈一帆

深圳湾实验室系统与物理生物学研究所的团队在《自然》发表了一个名为 structRFM 的 RNA 基础模型，作者署名里能看到 Heqin Zhu、Ruifeng Li 和 S. Kevin Zhou。按论文摘要的说法，它用 2100 万条序列-结构对做预训练，学到多模态表示，改善了 RNA 二级结构、三级结构预测和功能推断，并在多样的 RNA 家族之间表现出零样本泛化。

从工程角度看，变化在数据形态：过去的 RNA 结构预测，多半是拿一条序列去套热力学规则，或者找一个同源模板照着改；structRFM 先把"这串碱基"和"它怎么折叠"成对地喂给一个大模型，让它先建立对应关系，再去接具体任务。

为什么一条 RNA 的"形状"值得花钱算

mRNA 疫苗的序列能不能被核糖体顺利读出来、siRNA 药物能不能精准贴上靶标、环状 RNA 的翻译元件为什么在某些序列上特别活跃——这些都取决于分子折叠成什么三维形状。同一串碱基，折法不同，功能可能完全不同。而实验解析一个 RNA 结构慢、成本高，能拿到实验结构的序列只是极少数，剩下的大批候选分子只能靠计算机预测。预测不准，下游的稳定性设计、剂量选择就得靠反复试。

和 AlphaFold 不是一条路

AlphaFold 的底气来自蛋白质领域几十年攒下的实验结构库，论文参考文献开头就是 AlphaFold 3 与 PDB 相关工作。RNA 没这个家底：CASP、RNA-Puzzles 这类专门评测的存在，本身就说明 RNA 三维预测更难做。所以 structRFM 换的是数据策略，不等实验结构攒够，而是把 2100 万条序列-结构对当教材。打个比方，AlphaFold 像照着几万张成品图学画，structRFM 更像拿着一大摞"零件清单加组装示意"练看图。

这里有个细节要讲清楚：这 2100 万条里的"结构"，有多少来自实验解析、多少来自计算衍生，摘要没交代。参考文献里出现 RNAcentral、Rfam、bpRNA 等二级结构数据库，可以当作数据来源的线索，但不能直接当作结论。

零样本泛化是卖点，也是分界线

"零样本"听起来抽象，场景却很具体：你设计了一条全新的 mRNA，训练集里找不到同家族的已知结构做参照。只认训练家族的模型在这里容易掉链子。摘要称 structRFM 能跨多样 RNA 家族零样本工作，这句话的分量得看结果部分：对标哪些方法、覆盖哪些家族、差多少。参考文献里能见到 RiNALMo、DRfold2、UFold、ViennaRNA 这些常见对手，说明比较是在一条成熟赛道上做的；具体提升数字，本文不转述没核到的部分，"更好"目前仍是论文作者的说法。

"open"这个词需要用仓库来兑现

标题里写 open，对国内做核酸药和 AI 制药的团队来说，关键在三个具体问题：代码能不能跑、权重能不能下载、许可证允不允许商用和微调。真实流程很朴素——把自家管线里几十条候选序列丢进去跑一遍，看预测和实验对不对得上，对不上就微调。没有可下载的权重，这一步无从谈起。开源范围与仓库地址目前仍待确认，这也是我判断这条新闻实际价值的最大变量。

我乐观的地方不在它比谁高几个点，而在于这条路线可复用：先让模型理解序列和结构的对应关系，下游任务各自微调。不过边界也要说清：通用预训练不等于每个家族都最强；RNA 在溶液里会变形，静态结构预测本身就是个近似。structRFM 解决的是"有没有一个不用每次从零训练的起点"，还没解决"预测等于真相"。

转载说明

本文根据以下公开资料整理，原文及配图出处见下方。

• [S1] An open structure-guided RNA foundation model for generalizable prediction
• [S2] structRFM | Nature Search Results
• 配图 1：来源：Nature（图片署名见原文） · 图片出处