2026 年 11 月 5 日,中國科學技術大學周少華教授與特任研究員熊鵬團隊在《自然》發表 RNA 序列基礎模型 structRFM,並把配對數據、模型權重與源代碼一併開放。如果只看標題,這像是又一個大模型走進生命科學;但把論文的做法拆開看,真正被改掉的是建模對象——過去模型讀的是一串鹼基,這一次模型被要求同時記住這串鹼基會折成什麼形狀。

RNA 在教科書裡常被簡化成遺傳信息與蛋白質之間的信使,這個定位容易讓人低估它的複雜度。它既參與蛋白質合成,也管著基因表達調控與剪接,功能同時取決於一級序列和二級、三級摺疊。同一段序列處在不同結構狀態下,可能對應完全不同的生物學後果;只把 A、U、C、G 當作四個詞來訓練,天然就丟掉了一半信息。

此前的主流路線是把語言模型那一套搬過來:大規模序列自監督預訓練,再針對每個下游任務微調。這套方法在蛋白質上已經跑通,但 RNA 有個額外麻煩——結構預測長期是另一條獨立工具鏈,序列模型和結構模型各說各話。結果每條任務都要重新造一遍特徵,跨任務遷移能力很弱,數據少的任務尤其吃虧。

structRFM 的第一步不是調架構,而是造數據。團隊構建了約 2100 萬條經計算註釋的序列—二級結構配對樣本,把「這條序列由哪些鹼基組成」和「這些鹼基在空間裡怎麼配對」強行綁成同一個訓練單元。計算註釋不是實驗測定,這一點後面還要回來談;但它至少讓結構信息第一次以監督信號進入預訓練,而不是事後拼接。

預訓練目標因此變成雙重的:一邊學序列上下文,一邊學結構依賴。掩碼策略在這裡不是可有可無的技巧,消融實驗顯示,結構信息的引入與掩碼方式各自都對最終性能有貢獻。換句話說,收益不是把數據量堆到千萬級就自動掉下來的,而是來自「讓模型必須同時猜字母和猜形狀」這個約束。

把結構寫進序列裡:一個開源 RNA 模型為什麼讓生物學多了一種問法 配图 1
FIG.01 · J.N. Eskra · CC BY-SA 4.0

訓練完的模型只需輸入一條序列,就能給出三個層級的特徵:整條序列的表示、單個核苷酸的表示,以及核苷酸兩兩之間的成對錶示。這個設計很務實——二級結構本質上是配對問題,剪接位點更接近局部標註,同源性分類則要用全局表示。一套特徵覆蓋三種粒度,下游任務不必再從零訓一個編碼器。

論文裡鋪開的任務清單因此顯得比一般基礎模型更雜:二級結構預測、零樣本同源性分類、剪接位點預測、內部核糖體進入位點識別、非編碼 RNA 分類。雜不是堆砌,而是在驗證同一件事——如果模型真的學到了結構先驗,這些看起來互不相關的任務應該一起變好,而不是隻有某一個指標被特意優化過。

更值得留意的是三級結構。團隊把 structRFM 的特徵接進已有的三維結構預測流程,三維結果和配套的二級結構都得到改善。二維配對信息能對三維摺疊形成有效約束,這在物理上說得通,也反過來說明模型抓到的不是數據集裡的統計巧合,而是可遷移的幾何規律。

泛化測試中,模型在新發布的 RNA 家族上仍保持較好的二級結構預測表現;面對長鏈非編碼 RNA,團隊用分段策略繞開長度限制。這兩個細節比排行榜上的小數點更有工程價值:生物數據庫每天都在長出新家族,一個只能記住訓練時見過的家族的模型,在真實研究裡幾乎沒有用。

把結構寫進序列裡:一個開源 RNA 模型為什麼讓生物學多了一種問法 配图 2
FIG.02 · Gannu03 · CC BY-SA 4.0

消融實驗的存在也值得單獨提一句。基礎模型論文最容易滑向「我們數據更大所以更強」的敘事,而把結構分支與掩碼分支分別拆掉再測,等於主動回答「到底是哪一部分在起作用」。對後來想複用這套思路的研究者,這比一個漂亮的最優數字更可操作。

開放清單同樣少見:完整配對數據、模型權重、源代碼全部放出。對計算生物學而言,數據往往比權重更難復現——註釋流程裡的參數、版本與過濾規則,任何一處沒寫清楚都會讓結果對不上。把配對數據一起交出來,才談得上真正意義上的可復現。

把視角拉遠一點,這類工作的意義不在於「模型又預測了一個東西」,而在於它提供了可複用的表徵。過去每個 RNA 課題都要自己攢數據、自己訓編碼器;現在研究者可以直接拿現成的序列級或成對特徵去問自己的問題。工具從回答者變成提問的基礎設施,這是 AI for Science 裡更實在的那一層。

應用側最直接的落點是藥物發現與機制理解。剪接異常與一批疾病相關,內部核糖體進入位點牽涉翻譯調控,非編碼 RNA 的分類與功能註釋長期是瓶頸。如果結構感知的表示能把這幾個任務的門檻一起降下來,受影響的不只是論文數量,還有靶點篩選與序列設計的成本。

當然,計算註釋終究不等於實驗測定,零樣本表現好也不等於可以走進臨床。模型學到的是已知結構規律的外推,遇到完全沒有同源信息的全新摺疊,邊界在哪裡仍需實驗回答。但開源把驗證的權力交給了整個社區——這恰恰是它比一次性能提升更值得記錄的原因。