重大突破！利用AI算法精准预测RNA三维结构学术资讯

2021 年8月27日，Science 封面发表了来自斯坦福大学Ron O. Dro课题组题为“Geometric deep learning of RNA structure“的研究论文。该研究提出一种基于深度机器学习的新方法ARES（Atomic Rotationally Equivariant Scorer），实现对于 RNA 三维结构的精准预测。

RNA 分子能折叠成三维 (3D) 结构，以执行广泛的细胞功能，例如催化反应、调节基因表达、调节先天免疫。这些结构对于理解 RNA 功能的机制、设计合成 RNA 和发现 RNA 靶向药物非常重要。但是对 RNA 结构的了解远远落后于蛋白质结构，然而人类基因组转录成 RNA 的部分是蛋白质编码的部分的 30 倍左右，但可用 RNA 结构的数量小于其中的 1%。因此，对 RNA 3D 结构的计算预测具有重要意义。

尽管经过了几十年的努力，预测 RNA 的 3D 结构仍然是一个巨大的挑战，已经证明比预测蛋白质结构更困难。对于蛋白质，最先进的预测方法利用相关蛋白质的序列或结构。此类方法对 RNA 的成功率要低得多，因为密切相关的 RNA 的模板结构可用的频率要低得多。此外，设计一个能够可靠地区分准确的 RNA 结构模型与不太准确的模型的评分函数已被证明是困难的，因为对能量有利的 RNA 结构的特征还没有充分了解。

该研究推出一个基于深度机器学习的新方法，名字叫 ARES。这是一种深度神经网络，是机器学习的一种形式，最初并不包含先入为主的 RNA 结构概念。事实上，ARES 框架不是特定于 RNA 的，可以应用于分子结构中的其他问题。这是一种有效的神经网络架构用于训练大分子体系的打分函数，并将其应用于 RNA 的结构评估；训练得到的高精度打分函数和特定的 RNA 结构生成或采样方法相结合，就可以实现对于 RNA 三维结构的精准预测。

通过给ARES 赋予了18 种已知 RNA 结构的训练以及这些相同结构的大量替代变体。然后调整 ARES 参数，以便程序了解每个原子的功能和几何排列以及这些元素如何相对于彼此定位。神经网络中的层计算从更细到更粗尺度的特征，以识别碱基对、螺旋和更复杂的结构。例如，ARES 学习了碱基配对模式、RNA 螺旋的最佳几何形状。之后即可识别出准确的结构模型。