L'équipe de l'Université de science et technologie de Chine lance le modèle de base open-source structRFM pour les séquences d'ARN, entraîné sur 21 millions de paires séquence-structure, atteignant des indicateurs clés de pointe internationale, avec des résultats publiés dans Nature.Auteur et source de l'article : AIBase
Une équipe de recherche de l'Université des sciences et technologies de Chine a récemment réalisé une avancée majeure dans le domaine interdisciplinaire de la biologie et de l'intelligence artificielle, en lançant officiellement structRFM, un modèle fondamental open source pour les séquences d'ARN. Les résultats de cette étude ont été publiés récemment dans la revue scientifique internationale de premier plan Nature. Dans le but de promouvoir l'évolution collective de l'écosystème scientifique mondial, l'équipe de recherche a annoncé la mise à disposition complète et gratuite, sans restriction, des données d'appariement, des poids du modèle et du code source de structRFM pour tous les chercheurs du monde entier.
Contexte fondamental : résoudre les problèmes fondamentaux de la recherche sur l'ARN et le développement de nouveaux médicaments
En tant que famille de macromolécules essentielles au sein des organismes vivants, l'ARN participe largement à la régulation de l'ensemble du cycle de l'expression génique et de la synthèse protéique, et constitue une cible clé incontournable dans le développement mondial de médicaments innovants.
Au niveau microscopique, les molécules d'ARN forment des structures secondaires complexes par appariement des bases, puis se plient en des conformations tridimensionnelles spécifiques. Ce sont précisément ces structures tridimensionnelles et secondaires qui déterminent directement l'activité biologique de la molécule ainsi que ses interactions avec d'autres molécules. Toutefois, depuis longtemps, la résolution précise de la structure et de la fonction de l'ARN constitue une difficulté majeure dans le domaine de la bioinformatique.
Architecture et données : Deux pré-entraînements pilotés par 21 millions de paires de données
Pour résoudre ce défi, l'équipe de recherche de l'Université des sciences et technologies de Chine a adopté une approche originale en construisant environ 21 millions de paires de séquences-structures secondaires annotées avec précision, posant ainsi une base de données massive et de haute qualité pour l'entraînement des grands modèles.
Sur cette base, l'équipe de recherche a conçu soigneusement un algorithme innovant permettant au modèle d'apprendre simultanément les informations contextuelles séquentielles et les dépendances structurelles lors de la phase de pré-entraînement. Après un pré-entraînement approfondi, le modèle a démontré une grande facilité d'utilisation et une excellente capacité de généralisation : les chercheurs n'ont qu'à entrer une séquence de base, et le modèle extrait automatiquement et avec précision trois niveaux de caractéristiques — au niveau séquentiel, au niveau nucléotidique et au niveau de paires de nucléotides — soutenant efficacement diverses tâches d'inférence structurelle et fonctionnelle.
Résultats de l'expérimentation : plusieurs indicateurs clés atteignent les niveaux de pointe internationaux
Dans des expériences et des tests de référence exigeants, structRFM a démontré des performances globales remarquables :
Classification zéro échantillon et prédiction de structure : le modèle excelle dans la tâche de classification d'homologie à zéro échantillon et améliore significativement la précision de la prédiction de la structure secondaire de l'ARN.
Optimisation coordonnée de la conformation tridimensionnelle : Lorsque les chercheurs ont intégré de manière fluide les caractéristiques extraites dans le modèle de prédiction de la structure tridimensionnelle, les résultats finaux de la prédiction de la conformation tridimensionnelle et de sa structure secondaire correspondante ont été considérablement améliorés.
Inférence fonctionnelle précise : dans les applications pratiques d'inférence fonctionnelle, ce modèle prend en charge efficacement la prédiction des sites d'épissage, l'identification des sites d'entrée des ribosomes internes (IRES) et la classification des ARN non codants.
Puissante capacité de généralisation et d'extension : face à de nouvelles familles d'ARN découvertes, le modèle maintient d'excellentes performances de prédiction de la structure secondaire ; grâce à une stratégie de segmentation flexible, il a également réussi à étendre son application à la classification des ARN non codants longs.
De plus, l'équipe de recherche a validé scientifiquement, à travers des expériences d'ablation détaillées, le rôle essentiel de l'introduction d'informations structurelles et de la stratégie de masquage dans l'amélioration des performances globales du modèle, fournissant ainsi un soutien expérimental solide pour la conception d'algorithmes futurs. Avec la mise à disposition complète du modèle en open source, la communauté scientifique mondiale pourra s'appuyer sur cet outil innovant pour accélérer les progrès dans l'analyse des structures d'ARN et le développement de nouvelles thérapies biomédicales.