中国科学技术大学的研究团队近日推出一个开源 RNA 序列基础模型，叫 structRFM，相关成果登上了《自然》。团队同时把完整的配对数据、模型权重和源代码全部开源，全球科研人员可以免费用。
为什么这事重要，得先说 RNA 难在哪。RNA 是生物体内管基因表达和蛋白合成的核心分子，也是创新药绕不开的靶点。它在微观层面靠碱基配对折出二级结构，再进一步卷成三维构象，而恰恰是这个"长什么样"，决定了它有什么活性、跟谁结合。问题是，精准解析 RNA 结构一直是生物信息学的硬骨头——比蛋白质难，因为 RNA 更软、更容易变形。
structRFM 的做法是从数据入手。团队构建了约 2100 万条经过精确计算注释的"序列—二级结构"配对数据，再设计算法让模型在预训练阶段同时学两件事：序列上下文，和结构之间的依赖关系。用起来很简单，研究人员只要输入一段基础序列，模型就能自动提取序列级、单个核苷酸级、核苷酸对级三层特征，去支撑各种结构和功能推断。
实测成绩集中在几个方向：零样本的同源性分类表现不错；RNA 二级结构预测的准确性有明显提升；把它提取的特征塞进现有的三维结构预测模型，三维构象和对应二级结构的预测结果都会改善；在功能推断上，能支持剪接位点预测、内部核糖体进入位点（IRES）识别、非编码 RNA 分类。面对新发现的 RNA 家族，二级结构预测也站得住；再加个分段策略，还能处理长非编码 RNA 这种超长序列。
团队还做了消融实验，从科学层面验证了两件事确实在起作用：把结构信息引入预训练，以及所用的掩码策略。
boxiyunAI的看法
- 全开源这一步，比论文本身更值钱。生物领域最贵的从来不是算法，是数据和标注。数据、权重、代码三样一起放出来，等于把门槛直接抹平，国内做核酸药和 RNA 研究的团队可以当天上手。
- 但要知道那 2100 万条是"算"出来的。原文写的是"经过精确计算注释"，意味着结构不是靠实验测出来的，是算出来的。好处是量能做大，风险是计算方法的偏差会被模型原样继承。用它做筛选可以，拿它当实验结论不行。
- 把"结构"塞进预训练，方向是对的。纯序列模型学的是字母排列的统计规律，结构模型学的是物理约束。RNA 的功能由形状决定，先验知识越贴近物理真实，样本效率就越高。这也是为什么它零样本能力看起来还行。
- 产业上最先受益的是筛选环节。mRNA 疫苗、核酸药这类研发，前期大量时间花在"这段序列会不会折成我想要的样子"上。能提前把明显不行的排掉，省的是湿实验的钱和时间。
- 别过度解读。结构预测提升不等于药物能成。从预测构象到细胞里真的有效、到能过临床，中间还隔着无数步，一步都省不掉。开源模型是好用的望远镜，不是捷径。
这件事真正的意义在于路径：用大规模计算标注补上实验数据不足的短板，再把结构先验注入预训练，最后全部开源让整个领域一起迭代。RNA 这条线长期被蛋白质的光芒盖住，现在有了一个够用的公共底座。接下来比的是谁能把它接到真实的药物管线上，而不是谁的榜单分更高。
