RNA或核糖核酸存在於所有活細胞中。它充當信使，攜帶來自DNA（脫氧核糖核酸）的指令，其指示如何合成體內的蛋白質。當它不能正常工作時，它會嚴重影響神經，心血管和肌肉的調節過程，導致腫瘤，胰島素抵抗和運動技能障礙等影響。
這就是為什麼弗萊堡大學計算機科學系的研究人員開發出一種人工智慧系統 - LEARNA——可以學習設計用於研究的RNA分子。本週在預印本伺服器Arxiv。org上發表的一篇新論文（“學習設計RNA”）中對此進行了描述。
“設計RNA分子最近引起了人們對醫學，合成生物學，生物技術和生物資訊學的興趣，因為許多功能性RNA分子被證明參與了轉錄，表觀遺傳學和翻譯的調控過程，”研究人員寫道。“在這裡，我們提出了一種新的RNA設計問題演算法。”
上圖：RNA設計問題的說明。
正如論文作者所解釋的，RNA的功能取決於其結構特性。真正的挑戰 - 有時被描述為RNA逆折疊 - 是識別RNA中的模式和序列，使其摺疊成特定的結構。
研究人員的方法依賴於深度強化學習（RL）演算法 - 一種人工智慧（AI）訓練技術，該技術使用獎勵來驅動代理人實現目標 - 訓練可以順序預測整個RNA序列的策略網路。它生成此序列，摺疊它，並使用從結果結構到目標結構的距離作為AI代理的訊號。
同時，LEARNA的第二個版本 - 恰當地稱為Meta-LEARNA——在許多RNA設計問題中學習單一策略，這些問題直接適用於新的RNA設計問題。也就是說，它學習了一個量身定製的生成模型，透過選擇放置核苷酸（RNA和DNA的化學構建塊）的動作來構建RNA序列樣本，用於給定的RNA靶結構。
“據我們所知，這是架構搜尋的第一個應用……對於RL ［和］ ［架構搜尋］在元學習中的第一個應用，”研究人員寫道。
在具有20個處理器核心的機器上對8，000種不同RNA目標結構進行元學習一小時後，Meta-LEARNA成功解決了Eterna100基準測試中高達65％的目標結構。（Eterna100，對於不熟悉的人來說，是由Eterna的玩家建立的100個目標結構的集合，這是一個線上開放實驗室，可以讓玩家建立摺疊到特定結構的序列。）此外，它只需要90秒即可達到與之相同的效果任何其他方法，並在三分鐘內達到最先進的效能。
同時，在另一個基準——Rfam-Taneda - Meta-LEARNA在10秒內產生了與最先進方法一樣好的結果，並在1分鐘後超過了這些方法的準確性。
結果 - 與谷歌母公司DeepMind今年早些時候的蛋白質摺疊AlphaFold系統所取得的結果非常相似- 預示著RNA生物學的未來工作。
研究人員寫道：“全面的實證結果……表明我們的方法在所有基準測試中都達到了新的最先進的效能，同時在達到先前的最先進效能方面也達到了更快的數量級。”
