跳到正文
bioRxiv· Wang, Z.; Qiu, Y.; He, Y.; Thompson, I.; Wang, H.; Porter, A.; Li, A.·· 来源仅提供日期AI 评分61

研究提出混合 RNA 基础模型 LIMBER,用于预测和理解 RNA 结构与功能

LIMBER: A Hybrid RNA Foundation Model for Predicting and Understanding RNA Structure and Function

AI 导读

研究团队提出混合 RNA 基础模型 LIMBER,将双向自注意力与选择性状态空间建模结合,并在 4050 万条非编码 RNA 序列上预训练。该模型在二级结构预测和非编码 RNA 分类基准上取得领先表现,并可迁移到翻译相关任务和 RNA 与小分子相互作用预测。作者还建立统一的任务无关评估框架,发现不同生物信息在模型层间呈分层、任务依赖的组织方式,并观察到结构、进化和功能能力的不同缩放行为。

预印本 · biorxiv · 10.64898/2026.10.28.762670

本站摘要基于收录版本 v1(2026-11-02),原始摘要与 AI 导读固定保留。

来源最近更新: · 来源 v2

摘要 · AI 翻译

RNA 基础模型为解码 RNA 序列、结构与功能之间的关系提供了一条充满前景的途径,然而模型如何塑造生物信息的获取与组织仍鲜为人知。在此,我们提出了用于 RNA 的层交错 Mamba 双向编码器(LIMBER),这是一种将双向自注意力与选择性状态空间建模相结合的混合基础模型,已在 4050 万条非编码 RNA 序列上完成预训练。通过针对特定任务的微调,LIMBER 在二级结构预测和非编码 RNA 分类基准测试中取得了领先性能,同时在翻译相关任务和 RNA--小分子相互作用预测方面展现出强大的迁移能力。除模型开发外,我们还建立了一个统一的、与任务无关的框架,用于系统地评估和解读 RNA 基础模型内在获得的生物学知识。该框架验证了 LIMBER 在恢复 RNA 结构和预测突变效应方面的强大能力,并揭示了不同生物学信息在模型各层之间呈层级化、任务依赖性的组织方式。通过进一步系统地训练和评估一系列涵盖模型容量、训练时长和数据集规模的模型变体,我们发现了结构、进化和功能能力方面各不相同的缩放行为。这些发现共同确立了 LIMBER 作为一种多功能 RNA 基础模型的地位,并为架构设计、内部表征和缩放如何影响 RNA 序列-结构-功能关系的学习提供了更广泛的见解。

来源:bioRxiv · biorxiv.org