RNArefine：人工智能引导的RNA结构原子级精修

人工智能驱动的 RNA 结构预测已取得显著进展，但所得模型往往缺乏完整的原子细节，或存在严重的立体化学畸变以及错误的局部相互作用。我们提出了 RNArefine，这是一种用于原子级 RNA 结构精修的人工智能引导分层框架。RNArefine 首先利用几何注意力网络预测碱基配对和碱基堆叠相互作用，随后将这些相互作用与基于物理的力场相结合，以指导一种两步精修策略：首先进行蒙特卡洛构象采样，然后进行 L-BFGS 能量优化。针对基于序列的预测模型和来源于冷冻电镜的结构开展的大规模基准实验表明，RNArefine 在保持整体拓扑结构的同时，能够持续提升立体化学质量、相互作用保真度以及经物理惩罚校正的结构准确性。当应用于盲测 CASP16 RNA 预测模型时，RNArefine 提高了前 30 个参赛组中 28 个组的排名得分。这些结果表明，RNArefine 是一个稳健的开源框架，可将原始 RNA 折叠构象转化为物理上真实的原子模型，从而服务于下游结构研究和治疗应用。

zhang{at}nus.edu.sg

摘要 信息/历史 指标 补充材料 预览 PDF

摘要 人工智能驱动的 RNA 结构预测已取得显著进展，但所得模型往往缺乏完整的原子细节，或存在严重的立体化学畸变以及错误的局部相互作用。我们提出 RNArefine，这是一种由人工智能引导的、用于原子水平 RNA 结构精修的分层框架。RNArefine 首先利用几何注意力网络预测碱基配对和碱基堆叠相互作用，然后将这些相互作用与基于物理的力场相结合，以指导一种两步精修策略，该策略包括蒙特卡洛构象采样，随后进行 L-BFGS 能量优化。在基于序列的预测模型和冷冻电镜衍生结构上的大规模基准测试表明，RNArefine 在保持全局拓扑结构的同时，能够持续改善立体化学质量、相互作用保真度以及受物理惩罚的结构精度。当应用于盲测 CASP16 RNA 预测模型时，RNArefine 提高了排名前 30 个研究组中 28 个研究组的评分。这些结果确立了 RNArefine 作为一个稳健的开源框架，可将原始 RNA 折叠结构转化为具有物理真实性的原子模型，用于下游结构研究和治疗应用。

利益冲突声明 已声明的资助信息 日持有人为作者/资助方，其已授予 bioRxiv 永久展示该预印本的许可。 本作品依据 CC-BY-NC-ND 4.0 国际许可协议 提供。

返回顶部 上一页 下一页

发布于 2026 年 6 月 29 日。 下载 PDF 补充材料 电子邮件

感谢您有兴趣帮助传播 bioRxiv。 您的电子邮箱 * 您的姓名 * 发送至 * 请输入多个地址，每行一个，或用逗号分隔。

您将要发送以下内容 RNArefine：人工智能引导的 RNA 结构原子水平精修

邮件主题 （您的姓名）已从 bioRxiv 转发一个页面给您

邮件正文 （您的姓名）认为您可能希望查看 bioRxiv 网站上的这个页面。

您的个人留言 验证码 此问题用于测试您是否为人类访问者，并防止自动垃圾信息提交。

分享 RNArefine：人工智能引导的 RNA 结构原子水平精修

Sho Tsukiyama， Yang Li， Kengo Sato， Hiroyuki Kurata， Yang Zhang

bioRxiv 2026.06.26.734804； doi： https://doi.org/10.64898/2026.06.26.734804

分享本文： 复制 引文工具

RNArefine：人工智能引导的 RNA 结构原子水平精修 Sho Tsukiyama， Yang Li， Kengo Sato， Hiroyuki Kurata， Yang Zhang

bioRxiv 2026.06.26.734804； doi： https://doi.org/10.64898/2026.06.26.734804

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.26.734804v1?rss=1

🏷️ RNA结构精修 人工智能 原子级建模 几何注意力网络 分子力场 蒙特卡洛采样