RiboBridge: generating RNA conformations and protein-binding poses
Separating RNA shape from relative pose reveals distinct challenges in structure recovery, interface selection, and sequence–structure self-consistency.
南京大学 × 香港中文大学 × 新加坡国立大学 · 2026-10-22
把RNA形状与结合姿态分开建模，有助于恢复复合物结构；但选对位点、找到能折回目标形状的序列，仍是关卡。
想为某个蛋白设计一条能结合它的RNA，光知道靶蛋白长什么样还不够。RNA自身要折成合适的形状，还得落在合适的位置；如果连结合位点也未指定，两件事就得一起解决。
南京大学、香港中文大学和新加坡国立大学合作提出的 RiboBridge，选择把这道题拆开：先预测可能的界面，生成适合该界面的RNA形状，再计算它与蛋白怎样组装。输入是靶蛋白结构和期望RNA长度，输出是候选RNA结构及其结合姿态，而不是已经验证有效的RNA药物。
论文信息
| Title | RiboBridge: protein-conditioned de novo RNA binder structure design |
| Journal | arXiv |
| Posted | 2026-10-22 |
| URL | https://arxiv.org/abs/2610.30668 |
先把RNA生成好，再决定怎样靠近蛋白
“形状”和“姿态”听起来相近，实际是两个问题：一条RNA自身怎样弯曲、折叠，是形状；把它整体旋转、移动，放到蛋白的哪一面，是姿态。若在同一个坐标空间里同时学习，模型就需要从有限的复合物数据中兼顾这两件事。
RiboBridge将流程分成四步。
- 找候选界面。 模型扫描整个蛋白表面，提出多个可能与RNA接触的区域，再过滤重叠候选。用户不需要提前圈出结合位点。
- 按界面生成RNA形状。 借用预训练结构模型 RiboSphere 的能力，条件生成器反复更新结构编码，再由冻结的解码器还原RNA坐标。这里生成的是结构编码，不是A、U、G、C序列。
- 预测结合后的距离。 模型分别读取蛋白和RNA内部的几何特征，预测二者在结合状态下哪些位置应该靠近，而不把尚未确定的相对摆放当成输入。
- 整体移动并组装。 用预测的距离约束求出RNA的旋转和平移。这个阶段保持RNA自身形状不变，不再把它扭成另一种构象。
这样做复用了已有RNA结构知识，也让两类误差可以分开诊断。需要强调，分开坐标系不等于忽略靶蛋白：RNA的形状从生成阶段起，就受到候选界面的引导。
不预设位点，不代表已经会选对位点
研究整理了29,624条蛋白–RNA复合物记录，按时间划分数据，再对测试集实施序列相似性过滤与去冗余，最终得到124个测试复合物。这里的“记录数”不等于不同靶蛋白的数量。
最影响结论的细节，是候选怎样被选中参加评分。每个预测界面先生成一个候选复合物，全部生成结束后，研究者才依据真实界面，选出预测界面与之最匹配的候选。真实信息没有参与生成，但参与了生成后的选择。
因此，主结果回答的是：“这些候选中，与真实界面对应的那个，恢复得怎么样？”它还不能等同于模型自行选出第一名的盲测表现。
各基线的输入也不完全相同：ODesign 获得来自真实界面的热点；RNAFlow 使用真实RNA引导的蛋白裁剪；RFDpoly 不接收显式热点；NACraft 从蛋白序列出发并按模型置信度选候选。下表保留了这些条件，避免把排名理解为完全同条件的较量。
多保留几个位点确实有帮助，但尚未解决定位问题。按附录的严格匹配标准，只取置信度最高的位点，能覆盖45个测试目标；保留全部候选后增至54个，仍不到124个目标的一半。
结构恢复有进步，序列兑现仍吃力
在上述评测条件下，RiboBridge 的平均DockQ为0.1308，高于 ODesign 的0.1156；界面和RNA位置偏差也更小。DockQ综合衡量接触与几何恢复情况，数值越高，预测复合物越接近参考结构。
以DockQ≥0.23为标准，20/124个候选达标，比例16.13%；ODesign 为15/124。这是“结构恢复达到阈值”，不是“16.13%的RNA被实验确认能够结合”。模型也并非各项最优：空间冲突分数仍高于 RFDpoly 和 ODesign。连续指标在有效输出上统计，达标比例则以全部124个目标为分母。
还有一道更实际的检验：设计出这样的结构，能否找到一条序列，让它折回来？作者用 NA-MPNN 为生成的RNA结构补上序列，再让 AlphaFold3 从序列重新预测。这个复核不输入生成的坐标，也不输入真实RNA结构。
结果没有结构排名那么乐观。按“RNA自身对齐后偏差小于2 Å”的标准，可设计率只有8.06%，与 RFDpoly 并列，而非独占第一。在有效输出中，平均RNA自身偏差为10.14 Å；若先对齐蛋白，再比较RNA的位置，偏差则达到40.98 Å。
前一个指标看形状能否折回，后一个连同结合位置一起看。即使通过前者，也不自动意味着RNA回到了正确界面，更不意味着已经具备真实亲和力。
RNA没有提前摆好，靶蛋白还管用吗
要证明模型真的按目标界面生成RNA，不能只看最终排名。作者固定评测方式，把正确界面条件换成“只告诉长度”，或换成长度匹配但来自其他目标的界面。
这项消融只使用54个满足严格界面匹配标准的目标，并借助参考结构提供的理想摆放方式，尽量排除后续定位误差。正确条件下的DockQ为0.4691，长度条件和打乱界面条件分别为0.3622、0.3745，比较的95%置信区间支持正向差异。
这说明界面信息确实改变了RNA形状，不只是给生成器额外塞入一些输入。不过，加入“自纠错”训练的收益较小，相关置信区间包含零，不能把它写成已经证实的主要增益来源。
真正拖后腿的是形状与距离预测
模块拆开以后，研究者还能逐步替换其中的预测，用真实信息检查误差从哪里开始扩大。该诊断同样限于54个严格匹配的目标，分数不能直接与全体124个目标的主结果混用。
借助真实结构编码重建RNA，并给它理想姿态，平均DockQ可到0.854；换成模型生成的RNA，即使仍给理想姿态，也降到0.464。再把正确的跨链距离换成预测距离，最终降到约0.253。主要损失分别出现在RNA形状生成和相互作用预测。
反过来，在距离准确且几何约束足够时，整体旋转和平移带来的额外损失很小。增加数值求解的补救步骤能让更多样本得到姿态，却几乎不提高平均DockQ。由此看，优先改善“生成什么形状、哪些位置应靠近”，比单纯打磨最后的摆放算法更有针对性。
距离模块内部的消融也提醒我们，平均误差并不能说明一切。去掉显式接触监督，距离平均绝对误差几乎不变，近距离接触的F1却下降；去掉局部几何特征，接触预测也变差。不过，这些改动对应的最终DockQ差距较小，不能据此宣称每个组件都带来大幅收益。
不同位点与长度，打开的是候选空间
案例中，同一个蛋白上两个相隔的预测界面，分别得到不同RNA形状和姿态，对应DockQ为0.891和0.556。这说明多位点假设可以产生不同结合方案，但它们是挑出的示例，不能代替全测试集表现。
另一个目标固定蛋白、位点与随机种子，只把RNA长度从57调整到97个核苷酸。生成结果都满足指定长度，并接触同一候选位点；但较长的87、97核苷酸结构，对预测距离约束的符合程度变差。长度可控，不等于越长越好。
回到最初的问题，RiboBridge提供了一种从蛋白结构出发、探索RNA形状与结合姿态的计算路线。它的价值还在于把后续该改哪里指得更清楚：候选位点需要可靠排序，生成的结构需要找到能实现它的序列。
这篇工作目前是arXiv预印本，未报告湿实验结合验证。对于真正要合成RNA的研究者，现阶段更适合把它视为结构候选生成与误差分析框架，而非已经能够交付高亲和力RNA的设计工具。
FOLLOW THE QUESTION