RNA design tasks solvable without 3D structure prediction, Science cover study finds
A study by Eterna, Stanford, and the University of Washington, published on the cover of Science, found that some difficult RNA design tasks can be solved without first predicting 3D RNA structure. The research, involving four rounds of the OpenKnot challenge with 57 RNA pseudoknots, showed that most AI methods underperformed experienced Eterna participants in the first round, except MPNN-fixbb. Nobel laureate David Baker is a co-author.
Coverage timeline
机器之心ScienceAI
编辑丨coisini RNA 分子在生物学中发挥着极为多样化的作用，既可作为编码蛋白质合成指令的信使，也可作为响应配体的调控开关来控制基因表达，还能催化生化反应。这些功能通常取决于每个 RNA 所采用的特定折叠。 从序列准确预测 RNA 结构，有望加速对 RNA 机制的理解以及 RNA 合成药物的设计。然而，RNA 结构预测已被证明是一个艰巨的难题。 近来，基于深度学习的 RNA 结构预测方法取得了诸多进展。为了全面评估这些方法的实际性能，RNA 设计平台 Eterna 联合斯坦福大学、华盛顿大学等开展了一项评估研究。研究惊奇地发现，某些困难的 RNA 设计任务或许无需先解决 RNA 三维结构预测问题即可实现。 研究论文登上了最新一期《Science》封面。诺贝尔奖得主大卫・贝克（David Baker）是论文作者之一。 论文地址：https://www.science.org/doi/10.1126/science.aeg6829 四轮 OpenKnot 挑战 Eterna 平台设置了围绕 RNA 假结展开的 OpenKnot 挑战，参与者尝试新型假结的精确设计。这些设计通过 RNA 实验得以验证，RNA 二级结构通过核苷酸水平的 SHAPE（选择性 2′- 羟基酰化引物延伸）进行评估。 为了比较新兴 AI 算法与经验丰富的 Eterna 参与者的设计表现，Eterna 展开了四轮 OpenKnot 挑战，涉及 57 个 RNA 假结。 第一轮邀请了六种 AI 方法提交设计进行 SHAPE 实验。大多数 AI 方法（Rosetta、Rosetta-LoRes、3DRNA、gRNAde、MPNN-RFdiff）未通过评分阈值，在第一轮中的表现不如 Eterna 参与者，一个例外是 MPNN-fixbb。 有趣的是，许多顶级 MPNN-fixbb 设计以及一些高分的 Eterna 设计与起始序列差异很大（序列同一性 < 50%），所有与起始序列同一性 > 90% 的设计评分均低于 80%，这表明偏离天然序列的重要性。 在第一轮完成时，研究团队观察到基于 100 万个 RNA 化学图谱训练的神经网络 RNet，给出的 SHAPE 谱图模拟评分在很大程度上重现了实验评分，特别是对于表现较差的设计。这一观察表明 RNet 建模可能有助于前瞻性筛选设计。 随后，第
