中国科学技术大学（中国科大）今日对外宣布，其医学影像智能与机器人（MIRACLE）实验室由周少华教授与熊鹏特任研究员领导的团队，正式推出了一款名为 structRFM 的开源 RNA 序列基础模型。该模型在 RNA 结构预测及功能推断等多个下游任务中实现了性能提升，有望推动人工智能驱动的科学研究、生物学机制解析以及药物研发等领域的进展。

11月5日凌晨，这项研究成果在国际学术期刊《自然》（Nature）上发表。

据称，这是自2026年以来，中国科大作为第一署名及通讯单位在《自然》《科学》《细胞》三大国际顶级刊物上发表的第16项成果。

RNA（核糖核酸）作为一种关键的生物大分子，存在于生物细胞及部分病毒、类病毒中，广泛参与蛋白质合成、基因表达调控和 RNA 剪接等生命活动，其功能与序列及折叠结构紧密相连。

RNA 分子通过碱基配对形成二级结构，并进一步折叠为三维构象，这些结构决定了其生物学活性及与其他分子的相互作用。因此，弄清序列、结构与功能之间的关系，是揭示 RNA 生物学机制的基础，也是药物发现的关键环节。

随着测序技术的进步，研究者积累了海量 RNA 序列数据。借鉴自然语言处理中的预训练方法，RNA 基础模型能够从这些数据中学习序列规律，提取用于多种任务的通用特征，从而支持结构预测和功能分析。

本次研究的重点是将结构知识融入大规模序列学习，同时确保模型在不同结构与功能任务中的适应性和泛化能力。研究团队开发了 RNA 基础模型 structRFM，首先构建了约 2100 万条经计算注释的序列-二级结构配对数据。随后，设计算法同步预训练学习序列上下文与结构依赖关系。预训练后的模型只需输入序列，即可提取序列级、核苷酸级和核苷酸对级特征，用于多种结构与功能推断任务，并在多项任务中达到国际领先水平。

实验结果显示，structRFM 在零样本同源性分类中表现出色，并提升了二级结构预测性能；将其特征整合到三级结构预测模型后，也改善了三维结构及其对应二级结构的预测结果。在功能推断方面，该模型支持剪接位点预测、内部核糖体进入位点识别以及非编码 RNA 分类。此外，模型在新发布的 RNA 家族上保持了良好的二级结构预测能力，并通过分段策略扩展到长非编码 RNA 分类。消融实验进一步证实了结构信息引入和掩码策略对模型性能的增强作用，为算法设计提供了实验依据。

研究人员指出，目前实验室已公开完整的配对数据、模型权重及源代码，为结果复现和相关模型开发提供了可重复使用的资源。

中国科大生物医学工程学院的朱河勤博士是论文的第一作者，周少华教授和熊鹏特任研究员为共同通讯作者。

相关论文信息： https://doi.org/10.1038/s41586-026-11210-2

项目链接： https://github.com/heqin-zhu/structRFM