El equipo de la Universidad de Ciencia y Tecnología de China presenta el modelo base de secuencias de ARN de código abierto structRFM, entrenado con 21 millones de pares secuencia-estructura, alcanzando indicadores clave de vanguardia internacional; el resultado aparece en Nature.Autor y fuente del artículo: AIBase
Recientemente, el equipo de investigación de la Universidad de Ciencia y Tecnología de China logró un avance significativo en el campo interdisciplinario de la ciencia de la vida y la inteligencia artificial, presentando oficialmente el modelo base de secuencias de ARN de código abierto denominado structRFM. Los resultados de esta investigación han sido publicados recientemente en la prestigiosa revista académica internacional Nature. Para impulsar el progreso conjunto del ecosistema científico global, el equipo de investigación anunció la apertura completa de los datos emparejados, los pesos del modelo y el código fuente, disponibles gratuitamente y sin restricciones para investigadores de todo el mundo.
Fondo principal: Superar los problemas fundamentales en la investigación de ARN y el desarrollo de nuevos medicamentos
Como una clase de macromoléculas esenciales dentro de los organismos vivos, el ácido ribonucleico (ARN) participa ampliamente y regula todo el ciclo de vida de la expresión génica y la síntesis de proteínas, siendo un objetivo clave inevitable en la investigación global de medicamentos innovadores.
A nivel microscópico, las moléculas de ARN forman estructuras secundarias complejas mediante apareamiento de bases y se pliegan aún más en conformaciones tridimensionales específicas. Son precisamente estas estructuras tridimensionales y secundarias las que determinan directamente la actividad biológica de la molécula y la forma en que interactúa con otras moléculas. Sin embargo, durante mucho tiempo, la resolución precisa de la estructura y función del ARN ha sido una dificultad en el campo de la bioinformática.
Arquitectura y datos: Preentrenamiento dual impulsado por 21 millones de pares de datos
Para resolver este desafío, el equipo de investigación de la Universidad de Ciencia y Tecnología de China adoptó un enfoque innovador, creando aproximadamente 21 millones de pares de secuencias-estructura secundaria con anotaciones precisas, estableciendo una base de datos masiva y de alta calidad para el entrenamiento de modelos grandes.
Sobre esta base, el equipo de investigación diseñó cuidadosamente un algoritmo innovador que permite al modelo aprender simultáneamente la información del contexto secuencial y las relaciones estructurales durante la fase de preentrenamiento. Tras un preentrenamiento profundo, el modelo demostró una alta facilidad de uso y capacidad de generalización: los investigadores solo necesitan ingresar una secuencia básica, y el modelo puede extraer automáticamente y con precisión tres niveles de características: a nivel de secuencia, a nivel de nucleótido y a nivel de pares de nucleótidos, brindando un soporte eficiente para diversas tareas de inferencia estructural y funcional.
Resultados del experimento: múltiples indicadores clave alcanzan el nivel más avanzado a nivel internacional
En pruebas y benchmarks rigurosos, structRFM ha demostrado un rendimiento integral impresionante:
Clasificación de cero muestras y predicción de estructura: el modelo demuestra un excelente rendimiento en tareas de clasificación de homología de cero muestras y mejora significativamente la precisión de la predicción de la estructura secundaria del ARN.
Co-optimization of 3D conformations: When researchers seamlessly integrated their extracted features into the 3D structure prediction model, the final predictions of the 3D conformation and its corresponding secondary structure were significantly improved.
Inferencia precisa de funciones biológicas: En la inferencia de funciones aplicadas, el modelo puede respaldar excelentemente la predicción de sitios de empalme, el reconocimiento de sitios de entrada de ribosomas internos (IRES) y la clasificación de ARN no codificantes.
Potente capacidad de generalización y expansión: ante nuevas familias de ARN descubiertas, el modelo mantuvo un excelente rendimiento en la predicción de estructura secundaria; mediante una estrategia de segmentación flexible, también logró ampliar su aplicación a tareas de clasificación de ARN no codificantes largos.
Además, el equipo de investigación validó científicamente, a través de experimentos de ablation detallados, el papel clave que juegan la introducción de información estructural y la estrategia de enmascaramiento en el mejoramiento del rendimiento general del modelo, proporcionando un sólido respaldo experimental para el diseño de algoritmos futuros. Con la apertura completa del modelo, la comunidad científica global podrá aprovechar esta nueva herramienta para acelerar el progreso en la resolución de estructuras de ARN y el desarrollo de avances en biomedicina.