El equipo de investigación de la Universidad de Ciencia y Tecnología de China logró un avance importante en el campo de la ciencia de la vida y la inteligencia artificial, y ha lanzado oficialmente un modelo básico de secuencias de ARN de código abierto llamado structRFM. Los resultados de investigación relacionados se publicaron recientemente en la revista académica internacional de alto nivel 《Nature». Con el objetivo de promover el progreso conjunto del ecosistema científico mundial, el equipo de investigación anunció que pondrá todo el conjunto de datos correspondiente, los pesos del modelo y el código fuente del modelo en código abierto, para que los investigadores de todo el mundo puedan usarlo de forma gratuita sin ningún requisito.
Contexto clave: superar los problemas fundamentales en la investigación del ARN y el desarrollo de medicamentos nuevos
Como un tipo de molécula macroscópica fundamental dentro de los organismos vivos, el ácido ribonucleico (ARN) participa ampliamente y regula todo el ciclo de vida de la expresión genética y la síntesis de proteínas, siendo un punto focal clave que no se puede evitar en la investigación y desarrollo de medicamentos innovadores a nivel mundial.
En el nivel microscópico, las moléculas de ARN forman estructuras secundarias complejas mediante la pareja de bases, y posteriormente se pliegan en una configuración tridimensional específica. Son estas estructuras tridimensionales y secundarias las que determinan directamente la actividad biológica de las moléculas y la forma en que interactúan con otras moléculas. Sin embargo, durante mucho tiempo, la interpretación precisa de la estructura y función del ARN ha sido un desafío en el campo de la bioinformática.
Estructura y datos: 21 millones de registros emparejados impulsados por el entrenamiento previo doble
Para resolver este problema, el equipo de investigación de la Universidad de Ciencia y Tecnología de China ha encontrado una nueva forma de abordar la cuestión, construyendo aproximadamente 21 millones de pares de secuencias-estructuras de segundo nivel con comentarios calculados con precisión, lo que sirve como base de datos masiva y de alta calidad para el entrenamiento de modelos grandes.
Sobre esta base, el equipo de investigación diseñó cuidadosamente un algoritmo innovador, lo que permite que el modelo aprenda simultáneamente la información del contexto de secuencia y las relaciones de dependencia estructural durante la fase de preentrenamiento. Después del preentrenamiento profundo, el modelo muestra una gran facilidad y capacidad de generalización: los investigadores solo necesitan introducir la secuencia básica, y el modelo puede extraer automáticamente y con precisión las tres características a nivel de secuencia, de nucleótidos y de pares de nucleótidos, lo que permite apoyar eficientemente diversas tareas de inferencia estructural y funcional.
Efectos del experimento: varios indicadores clave alcanzan niveles de vanguardia internacional
En pruebas experimentales y de referencia estrictas, structRFM ha demostrado un rendimiento notable en todos los aspectos:
Clasificación y predicción de estructura con muestras cero: El modelo presenta un rendimiento excelente en la tarea de clasificación por homología con muestras cero, y mejora significativamente la precisión de la predicción de la estructura secundaria del ARN.
Optimización coordinada de la estructura tridimensional: Cuando los investigadores integraron sin problemas las características extraídas en el modelo de predicción de la estructura tridimensional, se mejoraron significativamente los resultados finales de la predicción de la estructura tridimensional y su estructura secundaria correspondiente.
Inferencia precisa de funciones biológicas: En la inferencia de funciones de aplicación práctica, este modelo puede apoyar de manera excepcional la predicción de los puntos de escisión, el reconocimiento de los sitios de entrada del ribosoma interno (IRES) y la clasificación de ARN no codificado.
Capacidad de generalización y extensión robusta: frente a las nuevas familias de ARN descubiertas, el modelo sigue manteniendo una excelente capacidad de predicción de estructura secundaria; mediante una estrategia de segmentación flexible, también logró extender los límites de aplicación a tareas de clasificación de ARN no codificantes largos.
Además, el equipo de investigación, a través de experimentos detallados de ablación, ha verificado científicamente el papel clave de la introducción de información estructural y de la estrategia de mascarada en el mejoramiento del rendimiento general del modelo, proporcionando así datos experimentales sólidos para el diseño de algoritmos futuros. Con la apertura total de este modelo, las fuerzas científicas mundiales podrán utilizar este nuevo herramienta para acelerar el proceso de análisis de la estructura del ARN y el desarrollo de biotecnología avanzada.