无需三维结构预测？AI在RNA假结设计中展现惊人突破
近年来，人工智能在生物大分子结构预测领域掀起了一场技术革命。继AlphaFold2在蛋白质结构预测上取得里程碑式突破后，科学界自然将目光投向另一个关键生物分子——RNA。然而，RNA的结构复杂性远超预期，其不仅承担遗传信息传递的功能，还能作为调控开关、催化酶甚至纳米机器的核心组件。这些多样化的生物学角色高度依赖于RNA分子独特的折叠构象，尤其是包含假结（pseudoknot）等复杂拓扑结构的高级构型。
在此背景下，一项由Eterna公民科学平台牵头，联合斯坦福大学、华盛顿大学及诺贝尔奖得主大卫·贝克团队共同完成的研究，登上了《Science》杂志最新一期封面。这项研究通过系统性的四轮“OpenKnot挑战”，对当前主流AI驱动的RNA设计方法进行了前所未有的实证评估，并得出了一个令人意外的结论：某些复杂的RNA功能设计任务，或许并不需要先解决高精度的三维结构预测问题。
OpenKnot挑战：从失败到突破的演进路径
OpenKnot挑战的核心目标是设计具有特定假结二级结构的RNA序列。假结是一种非嵌套的碱基配对模式，在病毒基因组、核糖体RNA和核酶中广泛存在，对维持RNA的稳定性和功能至关重要。然而，由于其拓扑复杂性，假结长期以来被视为RNA结构预测和设计的“硬骨头”。
第一轮挑战共涉及57个假结靶标，邀请了六种前沿AI方法参与，包括Rosetta、Rosetta-LoRes、3DRNA、gRNAde、MPNN-RFdiff以及MPNN-fixbb。所有设计均通过SHAPE（选择性2′-羟基酰化引物延伸）实验进行验证，该技术可在单核苷酸分辨率下探测RNA的柔性与配对状态，从而评估设计是否准确折叠为目标结构。
结果令人失望：除MPNN-fixbb外，其余AI方法均未能达到评分阈值（通常以90分为成功标准），整体表现逊于经验丰富的Eterna人类参与者。更值得注意的是，那些高分设计——无论是来自AI还是人类——往往与原始天然序列差异显著，序列同一性普遍低于50%。而所有与起始序列高度相似（>90%同一性）的设计，无一例外评分低于80%。这一现象强烈暗示：盲目模仿天然序列并非有效策略，创新性序列重构才是成功关键。
RNet：连接模拟与实验的桥梁
研究团队在分析第一轮数据时发现了一个关键线索：一个名为RNet的深度神经网络，其基于100万个RNA化学图谱训练而成，能够高度准确地模拟SHAPE实验谱图。尤其对于低分设计，RNet的预测与实验结果高度一致。这意味着，RNet可作为一种高效的“虚拟筛选器”，在实验前预判设计的可行性。
于是，在第二轮挑战中，17个首轮靶标被重新开放。Eterna参与者获得了RNet的实时反馈接口，而各AI团队也将RNet整合进其设计流程。效果立竿见影：所有AI方法和人类设计师在至少80%的靶标上达到了90分以上的高分。这不仅证明了RNet的有效性，也揭示了“模拟-反馈-迭代”闭环对提升设计成功率的关键作用。
泛化能力测试：AI能否应对全新挑战？
为了检验AI方法是否真正具备泛化能力，而非仅在已知靶标上过拟合，研究团队同步启动了第三轮和第四轮挑战。第三轮引入20个全新的假结二级结构，第四轮则进一步增加难度，使用最长可达240个核苷酸的更长RNA序列。
结果令人振奋：在第三轮和第四轮的40个全新靶标中，AI方法在39个上成功达成90分以上的设计目标。尤为关键的是，其中部分靶标对应的是天然存在的、但三维结构尚未解析的RNA分子。这意味着AI不仅能在已知结构上复现，还能为未知结构的功能RNA提供可行设计方案。
非经典相互作用的“意外涌现”
更令人惊讶的是，通过冷冻电子显微镜（cryo-EM）对部分AI生成的RNA分子进行高分辨率结构解析后，研究人员观察到了复杂的非经典三级相互作用，如A-minor motif、核糖开关中的远程堆叠、以及金属离子介导的折叠稳定结构。这些相互作用在天然功能性RNA（如核酶或病毒RNA）中至关重要，但并未在设计过程中被显式指定。
这一发现具有深远意义：它表明，只要二级结构被精确控制，复杂的三级相互作用可能“自发涌现”。换言之，对于某些应用目标（如重新设计分子马达或调控开关），或许只需确保正确的二级折叠，无需对每一个原子级别的三维接触进行建模。这大大降低了RNA理性设计的门槛。
对RNA药物与合成生物学的启示
传统观点认为，要设计具有特定功能的RNA分子（如适配体、核酶或mRNA疫苗中的调控元件），必须首先精确预测其三维构象。然而，本研究挑战了这一范式。借助RNet等基础模型的指导，AI系统能够在不依赖完整三维结构信息的情况下，生成在实验中表现优异的RNA序列。
这对RNA治疗领域尤为重要。例如，在开发靶向致病RNA的反义寡核苷酸或小干扰RNA时，若能快速设计出稳定结合目标结构的配体，将极大加速药物发现进程。同样，在合成生物学中，构建人工RNA回路或生物传感器，也无需等待耗时的结构解析，即可通过AI辅助实现功能导向的设计。
方法论反思：人类与AI的协同进化
值得注意的是，Eterna平台本身是一个融合了众包智慧与计算工具的独特生态系统。人类参与者凭借直觉、试错经验和对RNA物理化学性质的理解，不断提出新颖设计；而AI则通过大规模数据学习和优化，提供高效搜索与评估能力。两者的结合在本研究中形成了良性循环：人类启发AI，AI赋能人类。
MPNN-fixbb之所以在首轮脱颖而出，部分原因在于其结合了蛋白质设计中成熟的固定骨架序列优化策略，并针对RNA特性进行了适配。而后续引入RNet后，其他方法迅速迎头赶上，说明模块化集成先进评估工具是提升性能的关键路径。
局限与未来方向
尽管成果显著，研究仍存在局限。首先，当前评估主要基于二级结构的SHAPE一致性，虽辅以cryo-EM验证，但对动态构象、配体结合亲和力或催化活性等功能指标的直接测量仍较少。其次，RNet虽强大，但其训练数据主要来自体外实验，可能无法完全反映细胞内复杂环境（如RNA结合蛋白、离子浓度波动）的影响。
未来工作需朝三个方向推进：一是构建涵盖更多功能表型的多模态评估体系；二是开发能同时优化结构稳定性与生物活性的联合目标函数；三是将AI设计与高通量实验平台（如微流控RNA合成与筛选）深度整合，形成“设计-制造-测试-学习”的全自动闭环。
结语：重新定义RNA设计的边界
这项研究不仅是一次技术验证，更是一次认知革新。它表明，在复杂生物系统的设计中，并非所有问题都需要“自底向上”的原子级精确建模。有时，抓住关键层级（如二级结构）并辅以强大的数据驱动工具，就能实现功能层面的成功。这种“足够好即可”的工程思维，或许正是推动RNA疗法从实验室走向临床的关键。
随着RNet类基础模型的持续进化，以及更多高质量RNA实验数据的积累，我们有理由相信，一个无需等待三维结构解析即可高效设计功能性RNA的新时代正在到来。而这，正是计算生物学与实验科学深度融合的最佳例证。