Nature Methods
一种基于进化信息的3D RNA模体与二级结构联合预测新方法
小赛推荐：
该研究开发了一种新型RNA折叠算法CaCoFold-R3D，能够同时预测RNA二级结构与3D模体，且不依赖特定模体的已知结构信息。该方法在大型RNA结构如核糖体RNA上表现出色，并能高效识别多种已知3D模体，为RNA结构预测和药物设计提供了新的计算工具。
文献概述
本文《All-at-once RNA folding with 3D motif prediction framed by evolutionary information》，发表于《Nature Methods》杂志，回顾并总结了RNA结构预测领域中3D模体与二级结构的联合建模方法。文章提出了一种新的RNA结构预测工具CaCoFold-R3D，该工具基于进化信息，使用概率上下文无关文法（SCFG）和隐马尔可等模型（HMM）对RNA结构进行联合预测，能够识别超过96种不同的3D模体。整段通顺、有逻辑，结尾用中文句号。
背景知识
RNA的3D结构在非编码RNA功能中具有关键作用，其中3D模体（或模块）在结构RNA的折叠和功能实现中起着重要角色。当前RNA结构预测方法主要关注二级结构，而缺乏对3D模体的整合预测能力，且多数方法只能逐个预测特定模体。CaCoFold-R3D的提出填补了这一空白，它结合进化信息，利用R-scape分析共变位点，并通过分层策略预测所有已知3D模体，同时确保预测的二级结构和3D模物在结构上的一致性。这种方法的创新性在于其“all-at-once”联合预测能力，能够一次性预测多个模体并整合到整体结构中，而非逐个识别。该研究为RNA结构预测、药物靶点设计和模体发现提供了新的计算框架，具有广泛的应用前景。
研究方法与实验
CaCoFold-R3D基于一种新的分层策略，将共变信息分为多个层次。第一层包含最大数量的共变碱基对，用于预测主要RNA二级结构，其余层用于识别假结和其他三级碱基对相互作用。该方法使用R3D语法模型，结合SCFG和HMM，描述不同类型的3D模体（如发夹、内环、J3、J4等）。每个模体模型通过最大熵原则分配概率，以避免过拟合。CaCoFold-R3D还可通过Rfam数据库验证模体预测的准确性，并使用R3D-prototype进行初步测试，评估预测灵敏度和假阳性率。
关键结论与观点
研究意义与展望
CaCoFold-R3D为RNA结构预测提供了一种全新的联合建模方法，能够同时识别3D模体和二级结构，且具有较高的预测准确率和计算效率。该方法在结构RNA研究、RNA药物设计、以及3D模体数据库构建中具有广泛应用前景。未来工作可进一步扩展模体库，并结合深度学习框架，提高全原子结构预测能力。
结语
本研究提出的CaCoFold-R3D方法成功实现了RNA二级结构与3D模体的联合预测，利用进化信息和共变分析显著提升了模体识别的准确性。该方法不仅适用于多种RNA家族，还可在大型RNA分子（如核糖体RNA）中保持高效性，为RNA结构生物学和药物设计提供了重要的计算工具。CaCoFold-R3D的开发标志着RNA折叠预测从二级结构向三级结构的迈进，未来有望在结构基因组学、RNA治疗和疫苗开发中发挥更大作用。
