把结构写进序列里：一个开源 RNA 模型为什么让生物学多了一种问法

2026 年 11 月 5 日，中国科学技术大学周少华教授与特任研究员熊鹏团队在《自然》发表 RNA 序列基础模型 structRFM，并把配对数据、模型权重与源代码一并开放。如果只看标题，这像是又一个大模型走进生命科学；但把论文的做法拆开看，真正被改掉的是建模对象——过去模型读的是一串碱基，这一次模型被要求同时记住这串碱基会折成什么形状。

RNA 在教科书里常被简化成遗传信息与蛋白质之间的信使，这个定位容易让人低估它的复杂度。它既参与蛋白质合成，也管着基因表达调控与剪接，功能同时取决于一级序列和二级、三级折叠。同一段序列处在不同结构状态下，可能对应完全不同的生物学后果；只把 A、U、C、G 当作四个词来训练，天然就丢掉了一半信息。

此前的主流路线是把语言模型那一套搬过来：大规模序列自监督预训练，再针对每个下游任务微调。这套方法在蛋白质上已经跑通，但 RNA 有个额外麻烦——结构预测长期是另一条独立工具链，序列模型和结构模型各说各话。结果每条任务都要重新造一遍特征，跨任务迁移能力很弱，数据少的任务尤其吃亏。

structRFM 的第一步不是调架构，而是造数据。团队构建了约 2100 万条经计算注释的序列—二级结构配对样本，把「这条序列由哪些碱基组成」和「这些碱基在空间里怎么配对」强行绑成同一个训练单元。计算注释不是实验测定，这一点后面还要回来谈；但它至少让结构信息第一次以监督信号进入预训练，而不是事后拼接。

预训练目标因此变成双重的：一边学序列上下文，一边学结构依赖。掩码策略在这里不是可有可无的技巧，消融实验显示，结构信息的引入与掩码方式各自都对最终性能有贡献。换句话说，收益不是把数据量堆到千万级就自动掉下来的，而是来自「让模型必须同时猜字母和猜形状」这个约束。

训练完的模型只需输入一条序列，就能给出三个层级的特征：整条序列的表示、单个核苷酸的表示，以及核苷酸两两之间的成对表示。这个设计很务实——二级结构本质上是配对问题，剪接位点更接近局部标注，同源性分类则要用全局表示。一套特征覆盖三种粒度，下游任务不必再从零训一个编码器。

论文里铺开的任务清单因此显得比一般基础模型更杂：二级结构预测、零样本同源性分类、剪接位点预测、内部核糖体进入位点识别、非编码 RNA 分类。杂不是堆砌，而是在验证同一件事——如果模型真的学到了结构先验，这些看起来互不相关的任务应该一起变好，而不是只有某一个指标被特意优化过。

更值得留意的是三级结构。团队把 structRFM 的特征接进已有的三维结构预测流程，三维结果和配套的二级结构都得到改善。二维配对信息能对三维折叠形成有效约束，这在物理上说得通，也反过来说明模型抓到的不是数据集里的统计巧合，而是可迁移的几何规律。

泛化测试中，模型在新发布的 RNA 家族上仍保持较好的二级结构预测表现；面对长链非编码 RNA，团队用分段策略绕开长度限制。这两个细节比排行榜上的小数点更有工程价值：生物数据库每天都在长出新家族，一个只能记住训练时见过的家族的模型，在真实研究里几乎没有用。

消融实验的存在也值得单独提一句。基础模型论文最容易滑向「我们数据更大所以更强」的叙事，而把结构分支与掩码分支分别拆掉再测，等于主动回答「到底是哪一部分在起作用」。对后来想复用这套思路的研究者，这比一个漂亮的最优数字更可操作。

开放清单同样少见：完整配对数据、模型权重、源代码全部放出。对计算生物学而言，数据往往比权重更难复现——注释流程里的参数、版本与过滤规则，任何一处没写清楚都会让结果对不上。把配对数据一起交出来，才谈得上真正意义上的可复现。

把视角拉远一点，这类工作的意义不在于「模型又预测了一个东西」，而在于它提供了可复用的表征。过去每个 RNA 课题都要自己攒数据、自己训编码器；现在研究者可以直接拿现成的序列级或成对特征去问自己的问题。工具从回答者变成提问的基础设施，这是 AI for Science 里更实在的那一层。

应用侧最直接的落点是药物发现与机制理解。剪接异常与一批疾病相关，内部核糖体进入位点牵涉翻译调控，非编码 RNA 的分类与功能注释长期是瓶颈。如果结构感知的表示能把这几个任务的门槛一起降下来，受影响的不只是论文数量，还有靶点筛选与序列设计的成本。

当然，计算注释终究不等于实验测定，零样本表现好也不等于可以走进临床。模型学到的是已知结构规律的外推，遇到完全没有同源信息的全新折叠，边界在哪里仍需实验回答。但开源把验证的权力交给了整个社区——这恰恰是它比一次性能提升更值得记录的原因。