Ang mga siyentipiko ng Tsina ay naglunsad ng open-source na RNA model na structRFM, na napanood sa Nature

Ang tim ng University of Science and Technology of China ay naglunsad ng open-source na pangunahing modelo para sa RNA sequence, ang structRFM, na tinuturuan gamit ang 21 milyong pares ng sequence-structure, at umabot sa mga pangunahing indikador na nasa antas ng pandaigdigang lider, na nakapagpapakita sa Nature.

May-akda ng artikulo, pinagkukunan: AIBase

Kamakalang ng isang ekipa ng pananaliksik sa University of Science and Technology of China sa larangan ng pagkakasundo ng buhay at artificial intelligence, at opisyal na ipinakilala ang open-source na RNA sequence foundation model na tinatawag na structRFM, kung saan ang kaugnay na mga natuklasan ay nakapag-akyat na sa international na premier academic journal na Nature. Upang suportahan ang pag-unlad ng pandaigdigang ekosistema ng pananaliksik, ipinahayag ng ekipa ng pananaliksik ang buong open-source ng mga pares na datos, weights ng model, at source code para sa libreng paggamit ng mga siyentipiko sa buong mundo nang walang hadlang.

Bilang isang uri ng mahalagang makromolekula sa loob ng isang organismo, ang ribonucleic acid (RNA) ay nakikilahok at nagpapaliwanag sa buong buhay na siklo ng gene expression at protein synthesis, at ito ay isang mahalagang target sa pagbuo ng mga bagong gamot sa buong mundo.

Sa mikro antas, ang mga molecule ng RNA ay bumubuo ng mga kumplikadong secondary structure sa pamamagitan ng base pairing, at nag-f折叠 pa sa mga tiyak na three-dimensional conformations. Ito ang mga three-dimensional at secondary structures na direktang nagtatakda ng biological activity ng molecule at kung paano ito tumutugon sa iba pang mga molecule. Gayunpaman, matagal nang isang hamon sa larangan ng bioinformatics ang tumpak na pagpapaliwanag ng istruktura at punksyon ng RNA.

Upang lutasin ang problema na ito, ang research team ng University of Science and Technology of China ay nagtatag ng higit sa 21 milyong sequence-secondary structure pairing na data na may tumpak na annotation, na nagbibigay ng malaking at mataas na kalidad na pundasyon para sa pagtuturo ng malalaking modelo.

Sa pamamagitan nito, ang team ng pag-unlad ay disenyo nang maingat ang isang inovatibong algoritmo na nagpapahintulot sa modelo na matutunan ang mga impormasyon ng sequence context at structural dependencies sa panahon ng pre-training. Pagkatapos ng malalim na pre-training, ipinakita ng modelo ang mataas na kahusayan at kakayahang pangkalahatan: ang mga mananaliksik ay kailangan lang mag-input ng isang pangunahing sequence, at ang modelo ay awtomatiko at tumpak na nakakakuha ng triple features sa antas ng sequence, nucleotide, at nucleotide pair, na nagbibigay-daan sa epektibong suporta sa iba’t ibang mga gawain sa paghuhula ng istraktura at punksyon.

Sa mga mahigpit na eksperimento at benchmark, ipinakita ng structRFM ang nakakapanumbalik na kabuuang performance:

Zero-shot classification atbp. structure prediction: Ang modelo ay nagtatampok ng mahusay na pagganap sa mga gawain ng zero-shot homology classification at nagsagawa ng malaking pagpapabuti sa kawastuhan ng RNA secondary structure prediction.

Co-optimization ng 3D konformasyon: Kapag isinama ng mga mananaliksik ang kanilang nakuhang mga katangian nang walang pagkakabagabag sa modelo ng 3D struktural na paghuhula, mas pinabuti nito ang huling paghuhula ng 3D konformasyon at ang kaukulang sekondaryong struktura.

Tumpak na paghuhula ng biyolohikal na punsiyon: Sa praktikal na paghuhula ng mga punsiyon, ang modelo ay makakatulong nang lubos sa paghuhula ng mga splice site, pagkilala sa internal ribosomal entry sites (IRES), at pagkiklasipikasyon ng non-coding RNA.

Malakas na kakayahang pangkalahatan at pagpapalawak: Sa harap ng bagong natuklasang pamilya ng RNA, nanatili pa rin ang modelo sa napakabuting pagbibilang ng sekondaryong istruktura; sa pamamagitan ng fleksibleng estratehiya ng paghahati, naging matagumpay ito sa pagpapalawak ng aplikasyon patungo sa gawain ng pagklasipikasyon ng mahabang hindi nagpapalilinaw na RNA.

Dagdag pa, ang pananaliksik na tim ay nag-verify sa pamamagitan ng detalyadong ablation studies ng kritikal na papel ng pagpapakilala sa istrukturang impormasyon at ang mask strategy sa pagpapabuti ng pangkabuuang performance ng modelo, na nagbibigay ng matibay na suporta mula sa mga eksperimentong datos para sa hinaharap na disenyo ng algoritmo. Kasabay ng pagsasaraan ng modelo, ang buong mundo ng siyentipikong komunidad ay makakapag-angkop ng bagong kasangkapan upang mabilisang mapalago ang pagpapaliwanag ng RNA structure at ang pag-unlad ng mga advance na biomedikal.