RNAtomy:从核苷酸几何学习可迁移 RNA 结构与功能表示的基础模型
RNAtomy: A Structure-Aware RNA Foundation Model for Transferable Structural and Functional Representations
研究提出结构感知 RNA 基础模型 RNAtomy,利用核苷酸间几何和残基级构象描述符进行自监督预训练。模型采用 Mamba-Transformer 混合骨干与轴感知特征调制,在七项涉及核苷酸、核苷酸对和 RNA 层面的任务上评估,接触与长程碱基对预测优于现有 RNA 基础模型和任务专用方法。
预印本 · biorxiv · 10.64898/2026.11.10.765792
本站摘要基于收录版本 v1(2026-11-14),原始摘要与 AI 导读固定保留。
来源最近更新: · 来源 v1
RNA 在基因表达、催化、调控和分子识别中发挥着关键且多样的作用。这种功能多样性源于核苷酸序列、结构组织与细胞环境之间的相互作用。然而,大多数 RNA 基础模型主要基于序列或二级结构信息进行预训练,而对三维几何与构象特征的系统性整合仍相对缺乏探索。在此,我们提出 RNAtomy,一个自监督 RNA 基础模型,旨在从核苷酸间几何结构和残基层面的构象描述符中学习 RNA 的结构解剖学。其设计包含三个主要部分:1) 对成对几何结构与残基层面描述符进行联合掩码重建,以将空间组织与局部构象联系起来;2) 一种混合 Mamba-Transformer 主干网络,其中 Mamba 模块高效传播全局上下文,而移位窗口注意力通过对成对图谱局部区域内的关系建模,弥补了 Mamba 中缺乏显式内容相关 token 交互的不足;3) 轴感知的特征级线性调制,将核苷酸层面的构象映射到成对几何结构的行轴和列轴上。我们在涉及核苷酸、核苷酸对和 RNA 层面结构与功能预测的七个不同任务上评估了 RNAtomy。RNAtomy 在结构任务上取得了尤为出色的表现,在接触预测和长程碱基配对预测方面优于已有的 RNA 基础模型和任务专用方法。尽管这些应用与结构预训练目标存在显著差异,其表征仍能有效迁移到与相互作用相关的任务上。在功能任务上,RNAtomy 在翻译相关预测和调控元件识别方面取得了更优的性能。值得注意的是,RNAtomy 是在远小于作为基线的 RNA 基础模型的训练集上进行预训练而取得这些结果的。这些结果共同表明,丰富的结构信息一旦通过富有表达力的架构进行学习,便能支撑起可迁移的 RNA 表征,服务于生物学上截然不同的结构与功能应用。
来源:bioRxiv · biorxiv.org