RiboSphere: Revolutionäres Modell für RNA-Strukturvorhersage

Die präzise Modellierung von RNA-Strukturen bleibt eine große Herausforderung, weil die RNA-Rückgriffe extrem flexibel sind, nicht-kanonische Bindungen häufig vorkommen und experimentell ermittelte 3‑D‑Strukturen relativ selten sind. Mit dem neuen Ansatz RiboSphere wird dieses Problem angegangen, indem eine diskrete geometrische Repräsentation von RNA gelernt wird.

RiboSphere kombiniert Vektor‑Quantisierung mit Flow‑Matching. Ein geometrischer Transformer‑Encoder erzeugt SE(3)-invariante Merkmale, die anschließend durch finite skalare Quantisierung (FSQ) in ein endliches Vokabular von latenten Codes übersetzt werden. Auf Basis dieser diskreten Codes rekonstruiert ein Flow‑Matching‑Decoder die atomaren Koordinaten und ermöglicht so eine hochpräzise Strukturgenerierung.

Die Analyse der gelernten Code‑Indizes zeigt, dass sie stark mit spezifischen RNA‑Motiven korrespondieren, was darauf hindeutet, dass das Modell die motif‑basierte Zusammensetzung von RNA-Strukturen erfasst und nicht nur als komprimierende Zwischenschicht fungiert. In Benchmark‑Tests erzielt RiboSphere eine RMSD von 1,25 Å und einen TM‑Score von 0,84 bei der Rekonstruktion. Darüber hinaus überträgt sich das vortrainierte, diskrete Repräsentationsmodell erfolgreich auf inverse Faltung und RNA‑Ligand‑Bindungsvorhersagen und demonstriert eine robuste Generalisierung, selbst in datenarmen Szenarien.

RiboSphere liefert damit eine effiziente und einheitliche Darstellung von RNA‑Strukturen, die sowohl für die Design‑Forschung als auch für die Entwicklung neuer RNA‑basierten Therapeutika von großem Nutzen sein kann.