知识卡片：structRFM——面向可泛化预测的开放结构引导 RNA 基础模型

一句话结论

structRFM 是一个在 2100 万条 RNA 序列–结构对上预训练的结构引导 RNA 基础模型，通过把碱基配对交互整合进掩码语言建模，学习序列与结构的联合表示，在二级/三级结构预测、功能推断和零样本泛化上取得改进，并公开数据、权重与代码。

事件概述或研究问题

RNA 语言模型借助大规模序列数据在下游任务上表现良好，但 RNA 功能本质上由层级结构塑造，结构信息对预训练很重要。现有方法常依赖带噪注释或任务特定目标，可能限制泛化能力。该研究提出 structRFM，试图以结构引导的预训练方式获得可广泛适配的 RNA 表示。

方法/产品要点

• 预训练数据：2100 万条 RNA 序列–结构对。
• 核心机制：通过 pair-matching 操作，将碱基配对交互整合进掩码语言建模（masked language modelling）。
• MUSES：多来源二级结构集成，用于缓解单一预测器偏差。
• 动态掩码比例：平衡结构引导掩码与核苷酸级掩码。
• 表示形式：同时学习序列级、核苷酸级和成对（pairwise）特征，支持广泛下游适配。
• 三级结构适配模块 Zfold：在 structRFM 基础上改进三维结构预测及其提取的二级结构。
• 开放获取：完整 2100 万对数据集、模型权重和源代码公开（Zenodo / GitHub）。

主要结果或产业意义

• 在零样本同源分类中排名靠前，并在二级结构预测上建立新基准。
• Zfold 在 CASP15-natural、CASP16 和 RNA-Puzzles 上持续改进三维预测及由其提取的二级结构，性能与 AlphaFold3 相当。
• 在功能预测任务上有所提升，并可泛化到新发布的 RNA 家族和长非编码 RNA（lncRNA）。
• 结果支持结构引导预训练的有效性，并凸显多模态 RNA 语言模型在稳健结构与功能推断中的潜力。

为什么重要

RNA 的功能与结构高度耦合，仅靠序列的预训练可能遗漏关键约束。structRFM 把结构信号系统性地纳入基础模型预训练，并以开放数据与权重降低复现和二次开发门槛；其与 AlphaFold3 可比的三级结构表现，说明结构引导的 RNA 基础模型正在成为结构生物学与 RNA 功能注释的通用工具。相对既有 RNA 语言模型工作，本条增量在于：大规模序列–结构对预训练、MUSES 多源集成去偏、动态掩码，以及公开完整数据集与权重。

局限与不确定性

• 材料为 Nature 摘要与预览内容，正文细节（如具体基准数值、消融实验规模、Zfold 与 AlphaFold3 比较的统计口径）待核实。
• “性能与 AlphaFold3 相当”的具体评测范围和指标定义待核实。
• MUSES 集成的具体来源构成、动态掩码比例的取值范围与调度策略待核实。
• 训练数据覆盖偏倚（如 Rfam/RNAcentral 注释分布）对泛化到未注释 RNA 家族的影响待核实。
• 计算成本、推理效率与实际湿实验验证情况待核实。

可用于图书/PPT/简报的角度

• 作为“RNA 基础模型从序列走向结构”的案例，对比纯序列 RNA 语言模型与结构引导模型的差异。
• 用“2100 万序列–结构对 + 开放权重”说明生物基础模型的开放科学实践。
• 以 Zfold 与 AlphaFold3 的对比，讨论 RNA 三级结构预测的竞争格局。
• 以 MUSES 为例，讲多源集成如何缓解单一预测器偏差（可迁移到其他生物结构预测任务）。
• 用于“多模态生物基础模型”章节：序列级、核苷酸级、成对特征三类表示的下游适配。

与既有脉络的关系

既有卡片覆盖量子增强临床时序模型（QuanTiMedAI）、反应基础模型（RxnCLF）和视觉道路安全审计（EG-ARSA），均不涉及 RNA 结构或 RNA 基础模型；本条为新增主题，无直接重复。若后续卡片涉及 RNA 语言模型（如 RiNALMo、RNA-FM 等），可将本条作为“结构引导 + 开放数据”的增量参照。

原始材料

• 标题：An open structure-guided RNA foundation model for generalizable prediction
• 来源：Nature（Published online: 04 November 2026）
• DOI：10.1038/s41586-026-11210-2
• URL：https://www.nature.com/articles/s41586-026-11210-2
• 数据与代码：Zenodo（数据集 doi:10.5281/zenodo.18272040；代码 doi:10.5281/zenodo.18274292）；GitHub：https://github.com/heqin-zhu/structRFM