Équipe de recherche de l’Université des sciences et technologies de Chine a récemment réalisé une percée importante dans le domaine hybride entre les sciences de la vie et l’intelligence artificielle. Elle a officiellement lancé un modèle de base de séquences d’ARN ouvert, nommé structRFM. Les résultats de cette recherche ont été publiés récemment dans la revue scientifique internationale de premier plan, Nature. Afin de promouvoir le progrès commun de l’écosystème scientifique mondial, l’équipe de recherche a annoncé que les données complètes associées au modèle, les poids du modèle et les sources de code seraient entièrement ouverts au public, permettant aux chercheurs du monde entier d’y accéder gratuitement sans aucune barrière.
Contexte de base : surmonter les problèmes fondamentaux de la recherche sur l’ARN et du développement de nouveaux médicaments
En tant que macromolécule centrale essentielle au sein des organismes vivants, l’ARN participe largement et régule tout le cycle de vie de l’expression génique et de la synthèse des protéines, constituant ainsi un point de repère clé incontournable dans la recherche et le développement de médicaments innovants mondiaux.
Au niveau microscopique, les molécules d’ARN forment des structures secondaires complexes grâce à la correspondance des bases, et se plient ensuite en configurations tridimensionnelles spécifiques. Ce sont ces structures tridimensionnelles et secondaires qui déterminent directement l’activité biologique des molécules ainsi que les modes d’interaction avec d’autres molécules. Cependant, depuis longtemps, l’analyse précise de la structure et de la fonction de l’ARN reste un défi dans le domaine de l’informatique biologique.
Architecture et données : 21 millions de paires de données guidées par l’entraînement pré-entraîné double
Pour résoudre cette difficulté, l’équipe de recherche de l’Université des Sciences et Technologies de Chine a trouvé une autre approche, en construisant environ 21 millions de paires de séquences et de structures secondaires annotées avec des calculs précis, ce qui constitue la base de données massive et de haute qualité pour l’entraînement des grands modèles.
Sur cette base, l’équipe de recherche a conçu un algorithme innovant qui permet au modèle d’apprendre simultanément les informations contextuelles de séquence et les relations dépendances structurelles lors de la phase de pré-entraînement. Après un pré-entraînement profond, le modèle présente une grande facilité d’utilisation et une capacité d’adaptation élevée : les chercheurs n’ont besoin que d’entrer une séquence de base, et le modèle extrait automatiquement et avec précision des caractéristiques à trois niveaux – au niveau de la séquence, au niveau des nucléotides et au niveau des paires de nucléotides – permettant ainsi de soutenir efficacement diverses tâches de déduction structurelle et fonctionnelle.
Résultats de l'expérience : Plusieurs indicateurs clés atteignent un niveau de pointe international
Dans des tests expérimentales et de référence rigoureux, structRFM a montré des performances remarquables sur tous les aspects :
Classification à zéro échantillon et prédiction de structure : Le modèle se montre excellent dans les tâches de classification d’homologie à zéro échantillon, et améliore significativement la précision de la prédiction de la structure secondaire de l’ARN.
Optimisation coordonnée de la conformation tridimensionnelle : Lorsque les chercheurs ont intégré sans faille les caractéristiques extraites dans le modèle de prédiction de la structure tridimensionnelle, les résultats de prédiction finaux de la conformation tridimensionnelle et de la structure secondaire correspondante ont été considérablement améliorés.
Fonctionnement biologique déduit avec précision : Dans le domaine de la déduction des fonctions pratiques, ce modèle permet de soutenir efficacement la prédiction des points de scission, l’identification des sites d’entrée des ribosomes intérieurs (IRES) et la classification des ARN non codants.
Capacité de généralisation et d’extension robuste : face à la nouvelle famille de ARN découverte, le modèle conserve une excellente performance en prédiction de structure secondaire ; grâce à une stratégie de segmentation flexible, il parvient également à étendre les limites d’application aux tâches de classification des longs ARN non codants.
De plus, l’équipe de recherche a, par des expériences d’ablation détaillées, vérifié scientifiquement l’importance de l’introduction des informations structurelles et de la stratégie de masquage dans l’amélioration du rendement global du modèle, fournissant ainsi des données expérimentales solides pour la conception future d’algorithmes. Avec la mise en open source complète de ce modèle, les forces de recherche mondiales pourront utiliser cet outil novateur pour accélérer l’analyse des structures d’ARN et le développement de technologies biomédicales avancées.