《Bioactive Materials》：From RNA design to delivery: Computational strategies for functional RNA therapeutics
编辑推荐：
RNA疗法通过精确调控基因表达和蛋白质合成，为治疗多种疾病提供了革命性手段，具有重大医学意义。然而，其临床应用面临三个关键挑战：RNA固有的不稳定性、对RNA功能进行受控调节的需求，以及缺乏高效的递送系统。计算策略为分析和优化RNA序列、结构、功能和递送提供了
RNA疗法通过精确调控基因表达和蛋白质合成，为治疗多种疾病提供了革命性手段，具有重大医学意义。然而，其临床应用面临三个关键挑战：RNA固有的不稳定性、对RNA功能进行受控调节的需求，以及缺乏高效的递送系统。计算策略为分析和优化RNA序列、结构、功能和递送提供了补充工具，加速了RNA的理性设计和递送系统的优化。本综述系统介绍了RNA治疗领域的两个核心进展：（1）基于预测建模和算法筛选的RNA设计与优化；（2）通过数据驱动方法实现递送系统的智能化改造。基于这些进展，研究人员从设计算法、设计机制和设计架构三个维度讨论了计算RNA分子设计的三个未来方向。本综述不仅总结了为解决RNA治疗中的关键挑战而开发的计算方法，还强调了整合性RNA-递送协同设计的机会。这些进展可能为下一代精准治疗药物及其未来临床转化提供有用的见解。
1. 引言
RNA是细胞和某些病毒中关键的遗传信息载体，通过Watson-Crick碱基互补配对原则可定位并干扰其他单链核酸的功能，直接参与基因表达调控。RNA疗法涵盖小干扰RNA(siRNA)、微RNA(miRNA)、信使RNA(mRNA)、环状RNA(circRNA)等多种模态，但均面临固有稳定性差、功能调控困难以及递送效率低三大挑战。传统优化方法如密码子优化、化学修饰和递送系统工程多依赖经验规则，计算策略可弥补其局限，为RNA序列、结构和递送系统提供理性设计途径。
2. 短RNA设计：计算工具、结构预测与功能优化
2.1 功能RNA设计中的计算架构基础
计算框架分为传统机器学习与深度学习两类。随机森林(RF)和支持向量机(SVM)适用于中等
