中科大 structRFM：2100 万条配对数据，RNA 模型上了《自然》

一句话总结：中科大周少华、熊鹏团队发布开源 RNA 序列基础模型 structRFM，用约 2100 万条经计算注释的序列-二级结构配对数据预训练，只输入序列就能输出序列级、核苷酸级、核苷酸对级三类特征，用于结构预测和功能推断。成果 11 月 5 日发表于《自然》，数据、权重、代码全部开放。

这条新闻我是在一堆模型发布的稿子里翻出来的，位置很靠后。

标题里没有"万亿参数"，没有"超越 GPT"，只有一句话：中国科研团队发布开源核糖核酸序列基础模型。

但它是这批新闻里唯一一个发在《自然》上的。

一、structRFM 是什么：给 RNA 建模加上结构

蛋白质那边有 AlphaFold，RNA 这边一直没有同等地位的东西。

原因不难理解。蛋白质由 20 种氨基酸组成，序列到结构的映射规律研究了半个世纪。RNA 只有四种碱基（A、U、G、C），但它的功能高度依赖折叠方式——一条链会自己跟自己配对，形成发夹、凸环这些二级结构，再叠成三级结构。

序列相似不代表功能相似，结构才是关键。 这是 RNA 研究的老问题。

structRFM 的思路是把结构知识塞进预训练阶段。团队先构建了约 2100 万条带二级结构注释的序列数据，然后在预训练时让模型同时学两件事：序列上下文，和结构依赖。

预训练完之后，模型只吃序列就能吐出三类特征：序列级、核苷酸级、核苷酸对级。这三类特征可以喂给不同的下游任务。

二、2100 万条数据从哪来：计算注释不是实验测定

图 1：从序列到配对数据到模型到六类任务，中间那一步决定了数据质量的上限

这里有个细节值得单独说，因为它决定了这个模型的可信边界。

新闻原文写的是"约 2100 万条经计算注释的序列-二级结构配对数据"。

计算注释的意思是：二级结构不是实验测出来的，是算法算出来的。

这两种数据的区别很大：

2100 万这个数字能成立，靠的就是第二条路。

这不是造假，是领域惯例——蛋白质那边也有大量预测结构被用于训练。但要清楚：模型学的是注释工具的判断，注释工具错了，模型也跟着错。

论文用消融实验验证了结构信息的引入确实带来提升，这一步做得规范。但我没看到它分析注释误差如何传递到下游任务。这是这类工作的共同短板。

三、模型结构：三类特征怎么输出

三类特征的划分是按粒度来的：

序列级 是整个分子的一个向量，用来做分类任务，比如判断这条 RNA 属于哪个家族。

核苷酸级 是每个碱基一个向量，用来做逐位点的预测，比如这个位置是不是剪接位点。

核苷酸对级 是任意两个碱基之间的关系，用来做配对预测，也就是二级结构的核心。

这个设计的好处是一次预训练、多种用法。不用为每个任务单独训一个模型。

论文里说"预训练后仅需输入序列即可提取"这三类特征。这句话的含义是：下游任务不需要结构标签，只要有序列就行。对那些拿不到实验结构的 RNA 来说，这是唯一可行的路径。

四、跑分：零样本、二级结构、三级结构

论文给的验证分四块，口径都是作者自报，没有第三方复现。

零样本同源性分类：表现良好。零样本的意思是训练时没见过这个类别，直接判。这类测试最能看出模型的泛化能力。

二级结构预测：性能提升。这是主力任务，也是数据注释的主要目标。

三级结构：把 structRFM 的特征融进已有的 3D 结构预测模型，三维结构和对应的二级结构预测都有改善。

功能推断：支持剪接位点预测、内部核糖体进入位点（IRES）识别、非编码 RNA 分类三项。

还有一个细节值得注意：在新发布的 RNA 家族上，模型保持了较好的二级结构预测表现。这说明它不是死记硬背训练集里的家族。

长链非编码 RNA 用分段策略处理——太长的序列一次喂不进去，切成段分别编码再拼。这是工程妥协，不是方法创新，但必须做。

五、RNA 模型和蛋白质模型差在哪

很多人会拿它和 AlphaFold 比。这两件事不完全可比。

差别最大的是数据基础那一行。蛋白质有几十年的实验结构积累，RNA 没有。所以 RNA 这边只能走"大规模计算注释 + 预训练"的路子。

全开源这件事值得肯定。 论文说完整配对数据、模型权重、源代码都已开放，这意味着别人可以复现、可以微调、可以拿去试新任务。基础科学模型能做到这一步的不多。

同类工作里，Mol-1 那篇走的是生物分子路线，抗体预测加约束能到 88.3%。两个模型分处 RNA 和小分子两头，凑在一起能看出科学模型这半年在往哪走。

站内之前写过 Carbon-X 的 DNA 分词器，那篇讲的是把六个碱基切成一个 token，压缩到六分之一。这篇讲的是给 RNA 加结构信息。两件事都在解决同一个问题：生物序列怎么变成模型能吃的形式。

六、structRFM 常见问题

structRFM 能预测 RNA 的三维结构吗？

不能直接预测。它输出的是三类特征，三级结构要靠这些特征喂给专门的 3D 预测模型。论文说的是"融入后改善了预测结果"，不是端到端出结构。

2100 万条数据都是真实的 RNA 吗？

序列本身来自公共数据库，二级结构是计算注释的。所以"真实"指的是序列，结构部分是预测值。

和 ESM 系列什么关系？

思路同源，都是"大规模序列预训练 + 下游微调"。ESM 针对蛋白质，structRFM 针对 RNA。RNA 这边可用的结构数据少得多，所以 structRFM 更依赖计算注释。

普通开发者能用吗？

能拿到，但用起来有门槛。需要懂 RNA 二级结构的表示方式（点括号记法之类），也需要有具体的下游任务。不是那种装个包就能跑的通用工具。

为什么发在《自然》而不是 ML 会议？

因为贡献的主体是生物学问题——RNA 结构预测和功能推断，不是新的网络结构。这类工作的方法创新可能一般，但领域价值大。

七、边界

我没跑过这个模型。 所有分析基于新华社和央视的报道，以及论文摘要级别的信息。具体的评测数字、基线对比、消融实验细节，我没看到原文。

"性能提升"没有具体数字。 报道里用的是"表现良好""提高了""改善"，没有一个百分比。这在科学新闻里很常见，但对判断实际价值不利。

计算注释这个前提的影响我没法量化。 注释工具本身的准确率是多少、错误在哪些类型上集中、对下游任务的影响有多大，这些决定了 2100 万条数据的实际含金量。论文有没有做这个分析，我不知道。

开源的具体范围要自己去仓库确认。 报道说"完整配对数据、模型权重和源代码"都开放，但许可证类型、商用是否允许，这些要看实际文件。

参考资料

• 央视网 - 中国科研团队发布开源核糖核酸序列基础模型
• 虎嗅 - 中国科研团队发布开源核糖核酸序列基础模型
• 新华社 - 中科大团队 structRFM 成果发表于《自然》