发生了什么
编辑丨coisini RNA 分子在生物学中发挥着极为多样化的作用，既可作为编码蛋白质合成指令的信使，也可作为响应配体的调控开关来控制基因表达，还能催化生化反应。这些功能通常取决于每个 RNA 所采用的特定折叠。 从序列准确预测 RNA 结构，有望加速对 RNA 机制的理解以及 RNA 合成药物的设计。然而，RNA 结构预测已被证明是一个艰巨的难题。 近来，基于深度学习的 RNA 结构预测方法取得了诸多进展。为了全面评估这些方法的实际性能，RNA 设计平台 Eterna 联合斯坦福大学、华盛顿大学等开展了一项评估研究。研究惊奇地发现，某些困难的 RNA 设计任务或许无需先解决 RNA 三维结构预测问题即可实现。 研究论文登上了最新一期《Science》封面。诺贝尔奖得主大卫・贝克（David Baker）是论文作者之一。 论文地址：https://www.science.org/doi/10.1126/science.aeg6829 四轮 OpenKnot 挑战 Eterna 平台设置了围绕 RNA 假结展开的 OpenKnot 挑战，参与者尝试新型假结的精确设计。这些设计通过 RNA 实验得以验证，RNA 二级结构通过核苷酸水平的 SHAPE（选择性 2′- 羟基酰化引物延伸）进行评估。 为了比较新兴 AI 算法与经验丰富的 Eterna 参与者的设计表现，Eterna 展开了四轮 OpenKnot 挑战，涉及 57 个 RNA 假结。 第一轮邀请了六种 AI 方法提交设计进行 SHAPE 实验。大多数 AI 方法（Rosetta、Rosetta-LoRes、3DRNA、gRNAde、MPNN-RFdiff）未通过评分阈值，在第一轮中的表现不如 Eterna 参与者，一个例外是 MPNN-fixbb。 有趣的是，许多顶级 MPNN-fixbb 设计以及一些高分的 Eterna 设计与起始序列差异很大（序列同一性 < 50%），所有与起始序列同一性 > 90% 的设计评分均低于 80%，这表明偏离天然序列的重要性。 在第一轮完成时，研究团队观察到基于 100 万个 RNA 化学图谱训练的神经网络 RNet，给出的 SHAPE 谱图模拟评分在很大程度上重现了实验评分，特别是对于表现较差的设计。这一观察表明 RNet 建模可能有助于前瞻性筛选设计。 随后，第一轮中的 17 个靶标被重新提交给所有设计者进行第二轮设计。Eterna 设计者在交互界面中获得了 RNet 访问权限，而 AI 设计方法也更新以引入 RNet。 AI 方法在这一轮中表现显著提升，在 17 个靶标上，所有测试的 AI 方法和 Eterna 人类参与者均能在至少 80% 靶标上达到 90 以上的评分。 第一轮和第二轮的结果表明，AI 方法和 Eterna 参与者能够从先前的设计探索
编辑丨coisini RNA 分子在生物学中发挥着极为多样化的作用，既可作为编码蛋白质合成指令的信使，也可作为响应配体的调控开关来控制基因表达，还能催化生化反应。这些功能通常取决于每个 RNA 所采用的特定折叠。 从序列准确预测 RNA 结构，有望加速对 RNA 机制的理解以及 RNA 合成药物的设计。然而，RNA 结构预测已被证明是一个艰巨的难题。 近来，基于深度学习的 RNA 结构预测方法取得了诸多进展。为了全面评估这些方法的实际性能，RNA 设计平台 Eterna 联合斯坦福大学、华盛顿大学等开展了一项评估研究。研究惊奇地发现，某些困难的 RNA 设计任务或许无需先解决 RNA 三维结构预测问题即可实现。 研究论文登上了最新一期《Science》封面。诺贝尔奖得主大卫・贝克（David Baker）是论文作者之一。 论文地址：https://www.science.org/doi/10.1126/science.aeg6829 四轮 OpenKnot 挑战 Eterna 平台设置了围绕 RNA 假结展开的 OpenKnot 挑战，参与者尝试新型假结的精确设计。这些设计通过 RNA 实验得以验证，RNA 二级结构通过核苷酸水平的 SHAPE（选择性 2′- 羟基酰化引物延伸）进行评估。 为了比较新兴 AI 算法与经验丰富的 Eterna 参与者的设计表现，Eterna 展开了四轮 OpenKnot 挑战，涉及 57 个 RNA 假结。 第一轮邀请了六种 AI 方法提交设计进行 SHAPE 实验。大多数 AI 方法（Rosetta、Rosetta-LoRes、3DRNA、gRNAde、MPNN-RFdiff）未通过评分阈值，在第一轮中的表现不如 Eterna 参与者，一个例外是 MPNN-fixbb。 有趣的是，许多顶级 MPNN-fixbb 设计以及一些高分的 Eterna 设计与起始序列差异很大（序列同一性 < 50%），所有与起始序列同一性 > 90% 的设计评分均低于 80%，这表明偏离天然序列的重要性。 在第一轮完成时，研究团队观察到基于 100 万个 RNA 化学图谱训练的神经网络 RNet，给出的 SHAPE 谱图模拟评分在很大程度上重现了实验评分，特别是对于表现较差的设计。这一观察表明 RNet 建模可能有助于前瞻性筛选设计。 随后，第一轮中的 17 个靶标被重新提交给所有设计者进行第二轮设计。Eterna 设计者在交互界面中获得了 RNet 访问权限，而 AI 设计方法也更新以引入 RNet。 AI 方法在这一轮中表现显著提升，在 17 个靶标上，所有测试的 AI 方法和 Eterna 人类参与者均能在至少 80% 靶标上达到 90 以上的评分。 第一轮和第二轮的结果表明，AI 方法和 Eterna 参与者能够从先前的设计探索
为什么重要
需要你自己点开原文确认一次，这里给的是摘要与判断。
需要你自己点开原文确认一次，这里给的是摘要与判断。
跟你有什么关系
能转：做内容的话，这条多半能直接变成一个选题或一段工作流。
能转：做内容的话，这条多半能直接变成一个选题或一段工作流。
以上判断为规则生成的初稿，发布前请润色。
判定理由
评分 0 / 100