基于几何注意力配对生物语言模型的单序列蛋白-RNA复合物结构预测新方法

来自Roche等的研究人员针对蛋白质-RNA复合物结构预测中进化信息受限的难题，开发了深度学习框架ProRNA3D-single。该方法创新性地通过几何注意力机制（geometric attention）配对异质性生物语言模型，仅需单序列输入即可生成原子间相互作用图谱，并转化为多尺度几何约束以优化三维结构建模。实验证明其性能超越AlphaFold 3等现有方案，在进化信息稀缺时仍保持卓越鲁棒性，为核酸-蛋白互作研究提供重要技术突破。

　　

科学家们提出名为ProRNA3D-single的深度学习新方法，专门用于单序列输入的蛋白质(protein)-RNA复合物三维结构预测。该技术通过几何注意力(geometric attention)驱动异质性生物语言模型配对——这一前人未曾探索的路径，精准预测蛋白质与RNA间的原子级相互作用图谱(interatomic interaction maps)，进而将其转化为多尺度几何约束(multi-scale geometric restraints)，通过几何优化(geometry optimization)构建出高精度复合物结构。

与传统方法不同，该框架仅需单序列(single-sequence)输入即可运行。在进化信息有限的情况下，其表现显著优于包括AlphaFold 3在内的前沿技术，同时展现出优异的稳健性(robustness)与性能韧性(performance resilience)。这项突破为生物分子组装体(biomolecular assemblies)的结构解析提供了新的范式，尤其适用于蛋白质-RNA相互作用进化数据稀缺的研究场景。