夜雨聆风研究背景
RNA不仅是遗传信息的传递分子，也是核糖开关、核酶、剪接体和多类治疗性RNA药物的结构基础。与蛋白质相比，RNA三维结构预测长期更困难：可用实验结构数量有限，序列同源和进化信息往往不足，且RNA构象高度柔性，非经典碱基配对、假结和堆叠相互作用会显著改变整体折叠。传统物理建模和片段组装方法在小体系中有价值，但大规模采样成本高，对复杂拓扑和长链RNA不够稳定。深度学习方法近年来快速发展，却仍常依赖多序列比对、模板或后处理优化，难以在缺少同源信息时直接生成高质量结构集合。RNA二级结构和碱基配对信息相对更容易获得，也比单纯序列更接近空间折叠约束。因此，如何把碱基配对条件引入SE(3)等变生成模型，并端到端生成全原子RNA结构，是RNA结构预测和RNA药物设计中的关键方法学问题。
成果简介
2026年，弗吉尼亚理工大学Debswapna Bhattacharya团队在Nature Methods发表题为《RNAbpFlow: base pair-augmented SE(3) flow matching for conditional RNA 3D structure generation》的研究论文。研究提出RNAbpFlow，一种由序列和碱基配对共同条件化的SE(3)等变flow matching模型，利用核碱基中心表示端到端生成全原子RNA三维结构集合，不显式依赖进化信息或同源结构模板。大规模基准测试显示，引入碱基配对条件显著提升RNA拓扑采样和预测建模性能；在CASP15、CASP16以及RNAJP等测试中，RNAbpFlow在多个指标上优于或接近现有深度学习和服务器方法，尤其适用于浅MSA或缺少模板的RNA靶标。
研究内容
把碱基配对约束嵌入等变生成模型
RNAbpFlow的核心设计是将RNA序列、碱基配对图和三维几何生成统一到一个条件化flow matching框架中。模型采用核碱基中心表示，而不是直接从完整重原子坐标开始建模，使网络可以在保持几何灵活性的同时降低生成难度；随后通过糖环参考框架和可旋转键角恢复全原子RNA结构。架构上，RNAbpFlow借鉴FrameFlow和AlphaFold结构模块中的思想，用SE(3)等变网络处理三维框架，并让输入碱基配对图调节注意力计算。训练时，研究者引入面向碱基配对的辅助损失，使模型不仅拟合整体坐标，也学习在生成结构中实现给定的配对与堆叠关系。碱基配对条件可来自实验结构提取，也可来自IPKnot、SPOT-RNA和RibonanzaNet等二级结构预测器。与需要MSA或模板的策略不同，该模型可以只凭序列和2D配对约束进行采样，因此更适合许多同源信息稀缺、但可获得二级结构线索的RNA体系。
在RNAJP、CASP15和CASP16中验证结构采样优势
研究首先在包含三路连接等复杂拓扑的RNAJP基准中评估采样能力。对每个靶标生成1000个结构后，RNAbpFlow在TM-score和lDDT等指标上整体优于RNAJP，并在更多靶标中采样到接近正确折叠的构象。随后，团队在CASP15自然RNA靶标上与NuFold、trRosettaRNA、RhoFold+等方法比较。当输入原生碱基配对时，RNAbpFlow达到更高平均TM-score、更低RMSD和更好的非Watson-Crick配对保真度；即使使用预测配对，性能仍保持竞争力。更严格的CASP16模拟盲测显示，RNAbpFlow在14个可比靶标中表现稳定，特别是在硬靶标和浅MSA靶标上优于AF3-server或Yang-Server的情况更明显。对于大于200 nt的长RNA，所有方法仍面临挑战，RNAbpFlow也会受到输入配对质量限制；但当提供更准确配对时，模型性能明显提高，说明其生成能力与碱基配对信息质量高度耦合。
多来源配对图和训练策略进一步提升稳健性
为了分析性能来源，研究系统评估了交叉蒸馏训练、预测碱基配对微调以及不同配对图组合的贡献。在CASP16测试中，加入蒸馏数据可以提高采样质量；进一步用预测配对图微调后，模型在真实推理场景中更接近实验配对条件下的性能。单一二级结构预测器给出的配对图并不总是最优，RNAbpFlow同时利用IPKnot、SPOT-RNA和RibonanzaNet三种配对图时，平均最大TM-score和lDDT最高，说明多来源2D约束能提供互补信息。模型生成结构对输入配对具有较强遵从性：原生配对输入时输出结构中的配对保真度高，而错误预测配对也可能被模型继承并诱发额外错误配对。这一特点既是优势也是边界，提示RNAbpFlow可作为“配对条件驱动”的结构集合生成器，用于探索RNA构象空间、筛选候选模型和辅助RNA设计，但未来仍需与更准确的二级结构预测、物理精修和长RNA分块建模结合。
小结
本研究提出的RNAbpFlow为RNA三维结构预测提供了一条以碱基配对为核心条件的生成式路线。它不依赖MSA或同源模板，而是将序列、碱基配对图、核碱基中心表示和SE(3)等变flow matching结合起来，直接生成全原子RNA结构集合。多组基准结果表明，碱基配对条件能够稳定改善拓扑采样和预测建模表现，尤其在缺少深层进化信息的RNA靶标上具有优势。研究也明确指出，模型性能受输入配对质量约束，错误配对会被生成过程继承；长RNA和复杂假结体系仍是后续挑战。因此，RNAbpFlow更像一个可扩展的条件生成框架，为RNA结构集合采样、RNA设计和2D-3D联合建模提供了重要工具。
应用展望
RNAbpFlow可服务于多个RNA研究场景。对于核糖开关、核酶和病毒RNA元件，它能够在缺少模板时快速生成候选三维构象，为实验结构解析和突变设计提供起点；对于RNA药物和RNA靶向小分子开发，结构集合采样有助于识别可结合构象和动态口袋；对于计算方法开发，它也提供了将二级结构预测、生成模型和物理精修整合的框架。
参考文献
Sumit Tarafder et al. RNAbpFlow: base pair-augmented SE(3) flow matching for conditional RNA 3D structure generation. Nature Methods, 2026. doi: 10.1038/s41592-026-03128-4
注：本文解读仅供参考，请阅读原文获取详细准确信息
