生物行移动版

随着结构生物学研究的深入，RNA在细胞功能中的关键作用日益凸显。然而，由于RNA结构的复杂性与构象灵活性，准确预测其三维（3D）结构模型仍是计算生物学领域的一大难题。为了评估这些预测模型的可靠性，研究人员开发了一种基于深度学习的创新评估框架，通过整合中间态2D图谱，实现了对RNA 3D模型质量的精准量化。

该研究的核心在于利用深度学习模型捕捉RNA序列与空间结构之间的复杂映射。传统的评估方法往往难以有效利用RNA的局部接触信息，而本研究提出的方法通过构建中间态2D图谱（Intermediate 2D maps），将RNA的碱基配对信息与空间距离约束显性化。这种方法不仅能够识别模型中的局部几何偏差，还能有效区分高精度模型与由于算法误差产生的假阳性结构。

实验数据表明，该深度学习模型在多个RNA结构数据集上表现出卓越的性能。通过对不同预测算法生成的模型进行打分，该方法在识别近天然（near-native）结构方面的准确率显著优于现有的评分函数。这一进展为RNA结构预测的后处理环节提供了关键的质量控制手段，使得研究人员能够从海量的预测模型中筛选出最具生物学意义的构象。

此外，该研究还探讨了深度学习架构在处理RNA结构数据时的鲁棒性，特别是在面对长链非编码RNA（lncRNA）等复杂结构时的表现。通过引入多尺度特征提取机制，模型能够更好地理解RNA折叠过程中的长程相互作用。这一成果不仅丰富了计算结构生物学的工具箱，也为理解RNA如何通过特定的三维构象调控基因表达提供了新的技术支撑。