Nat. Commun. | 通过碱基对基序能量实现RNA二级结构的深度泛化预测

深度学习方法在RNA二级结构预测中表现出色，但在未见的、分布外的RNA家族上普遍存在泛化能力不足的问题，这限制了其准确性和稳健性。为此，研究人员构建了一个碱基对基序库，系统枚举了所有本地相邻的三邻碱基对组合，并通过从头建模获取每种基序的热力学能量。在此基础上，研究人员提出了一种深度学习预测方法BPfold，能够学习RNA序列与其对应的碱基对基序能量图之间的关系。在基于序列和基于家族的数据集上，BPfold在准确性和泛化性方面均显著优于其他先进方法。该研究为融合物理先验与深度学习技术在RNA结构与功能发现方面提供了有力工具。

RNA二级结构通过碱基配对决定其三级结构的形成，在催化活性、调控功能以及剪接事件等生物过程中扮演着关键角色。二级结构通常由茎区和环区构成，其中茎区是连续的碱基配对，而环区则由未配对碱基组成。环区中常见多种结构基序，如四环、亲吻环、折角、G-四链体等，这些基序由非标准碱基配对和极性相互作用稳定。

准确获取RNA的二级结构对于理解其与其他生物分子的相互作用具有重要意义，是药物设计和RNA治疗的关键步骤。传统化学探针技术如SHAPE可用于推断二级结构，但高效、纯计算预测方法的快速发展使得基于序列的结构建模成为可能。

早期方法包括同源序列比对与热力学模型，但在缺乏已知家族或能量参数的情境下往往表现不佳。浅层机器学习方法虽然在嵌套结构中有效，但难以预测复杂结构如伪结和非标准碱基配对。相比之下，深度学习方法因其高效性和准确性在近年来受到广泛关注，例如SPOT-RNA、UFold和MXfold2等。然而，这些方法在面对未见家族和数据分布时仍存在显著性能下降，暴露出过拟合和数据不足问题。

由于缺乏高质量、覆盖全面的RNA结构数据集，如何在数据稀缺条件下开发可靠、可泛化的深度模型，成为RNA结构预测领域的关键挑战。

研究人员提出BPfold模型，通过引入完整三邻碱基对基序及其热力学能量，有效缓解了数据覆盖不足问题。BPfold的核心在于两部分：

• 碱基对基序能量：定义了包括邻近碱基的标准碱基对，通过从头建模计算其热力学能量，并建立基序库，用于任意输入序列的能量图生成，从而为深度学习模型提供热力学先验。

• 碱基对注意力机制：设计了融合Transformer与卷积模块的注意力块，将RNA序列特征与基序能量图联合建模，提高了对碱基对相互作用的表达能力。

研究人员将碱基对基序分为三类：内发夹型、内断链型与外断链型，并采用BRIQ方法从头建模三邻基序的三维结构，结合量子力学与统计能量评分，生成统一归一化的能量分数。该库共包含75,990种标准碱基对组合，涵盖A-U, G-C, G-U等配对。每个输入RNA序列都可被映射为两个L×L维度的能量图（分别对应内外基序），作为神经网络的输入之一。

通过消融实验，研究人员分别移除或仅保留不同类别的基序能量，发现完整引入所有基序能量（BPM）时，BPfold在所有指标上显著优于其他配置（如F1值提升至0.689）。尤其在五类RNA家族（如Cobalamin、Twister、RAGATH-18等）上，完整模型的提升尤为明显，表明热力学能量显著增强了模型对未知家族的泛化能力。

在bpRNA-TS0与ArchiveII两个广泛使用的数据集上，BPfold均取得最优成绩。与传统方法（如RNAfold、LinearFold）和其他DL方法（如SPOT-RNA, MXfold2）相比，BPfold在F1、INF等指标上领先。例如在bpRNA-TS0上，BPfold F1值为0.658，显著高于SPOT-RNA（0.625）和MXfold2（0.575）。

在Rfam12.3–14.10等分布外数据集上，BPfold依然表现最优。即使在非DL方法如EternaFold也具有较高性能的场景下，BPfold仍能凭借热力学基序信息取得最优F1（0.689）与INF（0.694）。在高质量的PDB数据集上，BPfold同样表现出色（F1为0.814），能有效识别密集标准配对。

BPfold可在10秒内预测不超过1000nt的RNA结构，在1851nt长度下也仅需40秒，速度接近MXfold2和CONTRAfold，远优于SPOT-RNA。此外，可视化结果显示BPfold预测结构与真实结构高度一致，特别是在长序列与非标准配对场景中，展现出良好的建模能力。

为提升预测结构的可解释性，研究人员设计了基于网络输出前后差异的置信指数，并与F1分数之间具有显著正相关（Pearson系数达0.728），可用于无标签样本的结构可靠性评估。

研究人员通过完整构建三邻碱基对基序库，引入热力学能量图并结合注意力机制，提出了BPfold这一新型深度学习架构，显著提升了RNA二级结构预测在泛化性、准确性与计算效率上的综合能力。其核心创新点在于：

• 从结构层级弥补数据不足：以基序为单位替代全结构，显著拓展了有效训练样本空间；

• 融合物理先验与数据驱动建模：将可解释的能量评分直接注入神经网络输入，提升对真实结构的感知；

• 具备良好可拓展性与可移植性：碱基对能量图可作为模块集成至其他深度架构如UFold、CONTRAfold等；

• 面向长序列、非标准配对、少样本等挑战提供思路：如引入动态位置编码、构建置信评估机制。

尽管BPfold在多个指标上领先，但仍存在挑战，包括：扩展至更长邻域的基序建模需较高计算成本；非标准配对数据稀缺，导致预测难度高；长序列数据分布不平衡，限制模型泛化。未来可考虑通过少样本学习、领域适应、半监督等策略进一步突破。

总之，BPfold展示了深度模型融合物理能量先验的新范式，为RNA结构预测及功能解读开辟了新路径。

整理 | WJM

Zhu, H., Tang, F., Quan, Q. et al. Deep generalizable prediction of RNA secondary structure via base pair motif energy. Nat Commun 16, 5856 (2025). 

https://doi.org/10.1038/s41467-025-60048-1