AI绕过3D结构预测，实现RNA设计，登《Science》封面

编辑丨coisini

RNA 分子在生物学中发挥着极为多样化的作用，既可作为编码蛋白质合成指令的信使，也可作为响应配体的调控开关来控制基因表达，还能催化生化反应。这些功能通常取决于每个 RNA 所采用的特定折叠。

从序列准确预测 RNA 结构，有望加速对 RNA 机制的理解以及 RNA 合成药物的设计。然而，RNA 结构预测已被证明是一个艰巨的难题。

近来，基于深度学习的 RNA 结构预测方法取得了诸多进展。为了全面评估这些方法的实际性能，RNA 设计平台 Eterna 联合斯坦福大学、华盛顿大学等开展了一项评估研究。研究惊奇地发现，某些困难的 RNA 设计任务或许无需先解决 RNA 三维结构预测问题即可实现。

研究论文登上了最新一期《Science》封面。诺贝尔奖得主大卫・贝克（David Baker）是论文作者之一。

论文地址：https://www.science.org/doi/10.1126/science.aeg6829

四轮 OpenKnot 挑战

Eterna 平台设置了围绕 RNA 假结展开的 OpenKnot 挑战，参与者尝试新型假结的精确设计。这些设计通过 RNA 实验得以验证，RNA 二级结构通过核苷酸水平的 SHAPE（选择性 2′- 羟基酰化引物延伸）进行评估。

为了比较新兴 AI 算法与经验丰富的 Eterna 参与者的设计表现，Eterna 展开了四轮 OpenKnot 挑战，涉及 57 个 RNA 假结。

第一轮邀请了六种 AI 方法提交设计进行 SHAPE 实验。大多数 AI 方法（Rosetta、Rosetta-LoRes、3DRNA、gRNAde、MPNN-RFdiff）未通过评分阈值，在第一轮中的表现不如 Eterna 参与者，一个例外是 MPNN-fixbb。

有趣的是，许多顶级 MPNN-fixbb 设计以及一些高分的 Eterna 设计与起始序列差异很大（序列同一性 < 50%），所有与起始序列同一性 > 90% 的设计评分均低于 80%，这表明偏离天然序列的重要性。

在第一轮完成时，研究团队观察到基于 100 万个 RNA 化学图谱训练的神经网络 RNet，给出的 SHAPE 谱图模拟评分在很大程度上重现了实验评分，特别是对于表现较差的设计。这一观察表明 RNet 建模可能有助于前瞻性筛选设计。

随后，第一轮中的 17 个靶标被重新提交给所有设计者进行第二轮设计。Eterna 设计者在交互界面中获得了 RNet 访问权限，而 AI 设计方法也更新以引入 RNet。

AI 方法在这一轮中表现显著提升，在 17 个靶标上，所有测试的 AI 方法和 Eterna 人类参与者均能在至少 80% 靶标上达到 90 以上的评分。

第一轮和第二轮的结果表明，AI 方法和 Eterna 参与者能够从先前的设计探索中学习。为了测试 AI 方法的泛化能力，研究团队并行展开了第三轮和第四轮挑战，其中，第三轮挑战引入 20 个新的假结靶标二级结构；第四轮挑战则引入另外 20 个更长（最长 240 个核苷酸）的靶标。

AI 方法在第三轮和第四轮中，在 20 个靶标中的 19 个上达到了 90 的 OpenKnot 评分。值得注意的是，成功案例包括为三维结构未知的天然 RNA 提出的假结。

无需三维结构预测的 RNA 设计

OpenKnot 挑战结果表明，AI 方法与经验丰富的人类设计师旗鼓相当，评估依据包括单核苷酸分辨率的化学图谱分析、补偿性诱变和冷冻电子显微镜。

出乎意料的是，通过冷冻电镜探测的 AI 生成分子展现出复杂的非经典三级相互作用，这对于天然 RNA 分子的复杂功能至关重要。

一方面，这种高分辨率细节的预测建模对于设计新型 RNA 催化剂和适配体非常重要；另一方面，非经典相互作用的出现无需显式设计，这表明一些研究课题，例如重新设计分子机器，可能会因精确的二级结构预测而得到加速，而无需对三维相互作用进行高精度建模。

研究团队认为，这一成功得益于 RNet 基础模型的指导。这表明借助深度学习工具，某些困难的 RNA 设计任务，或许无需先解决 RNA 三维结构预测问题，就可以实现。

感兴趣的读者可以阅读论文原文，了解更多研究内容。