多目标进化算法在RNA序列设计中的实验分析：探索分区函数、集合多样性与核苷酸组成的优化策略

研究人员针对RNA逆折叠问题这一生物医学工程关键挑战，创新性地将问题建模为多目标优化问题（MOOP），引入分区函数（f1 ）、集合多样性（f2 ）和核苷酸组成（f3 ）三大目标函数，结合相似性约束（σ），采用实值染色体编码。通过系统比较NSGA-II、SMS-EMOA、NSGA-III和C-TAEA四种多目标进化算法与六种交叉算子的48种组合性能，发现SMS-EMOA结合指数交叉（EXP）表现最优。该研究为人工智能在RNA设计领域的应用提供了重要方法论支撑，显著提升了序列设计的稳定性和可靠性。

　　

在合成生物学和生物医学工程领域，设计能够折叠成特定结构的RNA序列是实现基因调控、药物开发和纳米生物技术应用的关键。然而，RNA逆折叠问题——即根据目标二级结构反向推导核苷酸序列——因其组合爆炸特性（复杂度达4ⁿ
）被证明是NP难问题。传统方法如暴力搜索在长链RNA设计中效率低下，而现有算法往往忽视序列的稳定性和多样性平衡。这一瓶颈严重制约了功能性RNA在治疗性核酶、核糖开关等领域的应用。

中国的研究团队在《Engineering Applications of Artificial Intelligence》发表的研究中，开创性地将RNA逆折叠问题构建为三目标优化模型：最小化分区函数（f₁
）以提高结构稳定性，最小化集合多样性（f₂
）增强预测可靠性，最小化核苷酸组成（f₃
）避免序列偏差，同时强制相似性约束（σ=1）确保目标结构匹配。研究采用维也纳RNA包（ViennaRNA 2.5.1）计算能量参数，通过pymoo框架实现四种多目标进化算法（MOEA）与六种交叉算子的系统比较，最终在RFAM基准集的24种结构上完成31次独立实验验证。

关键技术包括：1）实值染色体编码方案，将序列映射为|B|+|U|维向量（B为碱基对位置集，U为非配对位置集）；2）多项式变异（PM）保持种群多样性；3）基于超体积（HV）和反向世代距离（IGD）的量化评估体系；4）动态参考点调整策略。

研究结果显示：在算法层面，SMS-EMOA凭借稳态选择和超体积贡献机制，其EXP交叉变体在HV指标上以144分（满分240）显著优于其他组合。交叉算子比较中，指数交叉（EXP）在65%的测试案例中进入前三，而差分进化（DE）表现最差，尤其在C-TAEA中完全失效。值得注意的是，NSGA-II_Tournament_PM_SBX（即传统m2dRNAs算法）仅排名中游，验证了新框架的优越性。

讨论部分强调，该研究首次系统论证了目标函数权重分配与算子选择的关联性：当优化f₁
时，SBX和1P