新的深度学习方法大大改进了对RNA结构的预测

研究人员推出了ARES（原子旋转等变记分器）——这是一种机器学习方法，它比以前的方法在计算预测RNA结构时有了长足改进。与蛋白一样，RNA分子会扭曲并折叠成对其功能至关重要的复杂三维形状。了解这些结构有助于揭示RNA的生物学功能，其中包括非编码RNA的功能，这为治疗无法治愈顽疾的新药发现做好了准备。然而，尽管经过几十年的努力，在实验上解析RNA结构仍是一个挑战，目前仅知少数几种RNA的结构。此外，用机器学习预测RNA结构已被证明要比预测蛋白结构困难得多，且不甚成功。为了应对这些挑战，Raphael Townshend和同事开发了ARES，这是一种深度神经网络：尽管只用了最近通过实验确定的 18 种RNA结构的数据进行训练，但它仍能始终如一地生成精确的RNA结构模型。据作者披露，ARES 在业内的 RNA-Puzzles 结构预测挑战中明显优于其它计算方法。Townshend等人注意到，ARES的表现尤其值得注意，因为它只根据原子结构就能学习预测，且它不包含先前的有关什么RNA特定结构特征（如碱基对、核苷酸或氢键）可能重要的假设。此外，它能够准确预测比其训练对象更大、更复杂的RNAs的结构。Kevin Weeks在一篇相关的《视角》中写道：“ARES 还没有达到与原子分辨率一致的水平，或还不足以指导关键功能位点的确认或发现药物的研究，但Townshend等人已经在一个被证明难以有变革性起色的领域中取得了显著的进步。”