这不是又一个‘刷榜模型’，而是一次底层工具的开源交付
11月5日凌晨，《自然》（Nature）刊发一项来自中国科学技术大学的研究——医学影像智能与机器人实验室（MIRACLE）周少华教授、熊鹏特任研究员团队发布的RNA序列基础模型structRFM。这不是一篇仅限学术圈传阅的论文，而是一次从算法设计、训练框架到全部代码的完整开源行动。它不追求通用大模型的参数规模，而是聚焦于一个被长期忽视却决定功能的关键维度：RNA如何折叠成特定形状，进而决定它在细胞里‘做什么’。
RNA曾长期被视为DNA的‘信使’，但近二十年研究已彻底改写这一认知。它参与剪接调控、表观遗传修饰、抗病毒响应，甚至自身可作为酶或药物靶点。然而，实验解析RNA结构成本极高、周期极长，传统计算方法精度有限。structRFM通过结构引导的预训练框架，在不依赖大量标注结构数据的前提下，让模型学会从序列中‘脑补’出高置信度的折叠构象，并进一步推断其结合蛋白、调控基因等生物学功能。这种‘从序列到结构再到功能’的连贯推理链，正是当前AI for Science最稀缺的能力。
值得注意的是，该成果是中国科大2026年以第一署名及通讯单位在《Nature》《Science》《Cell》三大刊发表的第16篇论文。高频产出背后，是医学影像智能与机器人实验室（MIRACLE）多年深耕‘生物信号-医学影像-智能模型’交叉路径的沉淀。这一次，他们把技术锚点从‘看得清’（影像）转向了‘读得懂’（分子语言），且选择将整套工具链向全球研究者开放。
开源，是科研突围的策略，更是产业落地的伏笔
过去五年，国内AI for Science项目多以闭源合作、定制开发为主，高校成果常止步于论文或专利，难以形成可复用、可迭代的公共基础设施。structRFM的突破性，正在于它跳出了‘发论文—转专利—等转化’的传统路径，直接面向全球研究者开源全部代码与训练框架。
研究人员下载代码、加载自有RNA数据后，即可开展下游任务的适配与验证。这种模式已在蛋白质领域验证价值：AlphaFold2开源推动了结构生物学研究范式的转变。structRFM虽刚起步，但其定位清晰——不做替代实验的‘黑箱预言家’，而是成为生物学家手边的‘智能显微镜’：放大看不见的结构细节，提示值得验证的假设方向。
对产业而言，意义更在链路前端。目前小分子药物研发平均耗时10年以上、成本超20亿美元，其中靶点发现与验证阶段失败率最高。RNA已成为继蛋白质之后的第二大成药靶标，但缺乏高效工具支撑。structRFM若能缩短RNA靶点机制解析周期，将直接影响新药立项决策速度与早期失败率。
普通人离‘读懂自己’，其实只差一层解码能力
有人会问：RNA模型和我有什么关系？答案藏在三个正在加速交汇的日常场景里。
- 精准健康管理：市面上已有消费级基因检测服务，但报告多停留于‘风险位点’描述，缺乏动态功能解释。未来，结合个体RNA表达谱与结构建模工具，或可推断某段应激响应RNA的异常折叠是否真实干扰了免疫调节，从而给出比‘易感’更具体的干预建议。
- 慢病用药优化：以糖尿病为例，不同患者对同一款GLP-1类药物反应差异极大。部分差异源于RNA剪接变异导致的受体蛋白结构微调。若临床前能用模型预判剪接产物结构稳定性，就可能提前筛选出更匹配的药物亚型。
- 公共卫生响应：新冠疫情初期，病毒刺突蛋白突变引发广泛关注；而RNA病毒的真正‘狡猾’之处，在于其基因组RNA结构元件（如假结、内环）的微小变化即可调控复制效率。强化结构-功能映射能力，正是下一代病原体风险评估工具箱的关键拼图。
这不是一次孤立的技术跃进，而是一个信号：当中国团队不再满足于‘追赶式创新’，而是主动定义新范式、交付新工具、开放新接口，真正的AI for Life才刚刚开始呼吸。
*本文事实来源：IT之家，2026-11-05《中国科大开源RNA基础模型登顶《Nature》，专攻生命科学底层理解》 | [查看原文](https://www.ithome.com/1/022/511.htm)*