在生命科学研究中，RNA分子扮演着重要的角色，从基因表达调控到蛋白质合成，它无处不在。然而，RNA分子的多样性不仅体现在其序列上，更体现在其复杂多变的三维结构中。解析RNA的构象异质性，不仅是理解其生物学功能的关键，更是探索新型RNA靶向药物的重要前提。然而，传统技术在应对RNA分子的动态行为时面临诸多瓶颈。最近发表的一篇题为 “Determining structures of RNA conformers using AFM and deep neural networks” 的研究，创新性地结合了原子力显微镜（AFM）和深度神经网络（DNN），为RNA构象解析带来了全新的视角和方法。
从二维到三维：研究背景与挑战
RNA分子的功能高度依赖于其三维结构，而不同构象往往对应于不同的生物学活性。例如，某些RNA结构可以充当核糖开关调控基因表达，而其他结构则可能成为某些疾病的致病因子。然而，这些构象不仅种类多样，还具备显著的动态异质性，使其研究异常复杂。
传统的RNA结构解析技术如X射线晶体学和核磁共振（NMR）在高分辨率方面虽然具有优势，但面临以下问题：
RNA难以结晶化，限制了X射线晶体学的广泛应用。
NMR对分子大小有严格要求，且对动态构象的捕捉能力有限。
冷冻电镜虽能提供动态信息，但在解析分辨率和时间成本之间存在平衡难题。
基于这些不足，研究者们开始尝试将单分子技术和计算工具结合，探索RNA构象的动态解析。AFM作为一种高分辨率的成像工具，可以在液相环境中直接观测RNA分子的二维形貌。然而，如何将这些二维数据转换为三维结构，成为这项研究的关键突破口。
AFM与深度神经网络的“跨界合作”
原子力显微镜（AFM）：二维形貌数据的获取
在这项研究中，研究者使用AFM对单分子RNA进行成像，获得了RNA分子的二维形貌信息，包括其长度、弯曲度及其他几何特征。通过调整环境条件（如温度、离子浓度等），研究者诱导了RNA的构象变化，从而生成了一个多样化的二维形貌数据集。
深度神经网络（DNN）：从形貌到结构的预测
研究者设计了一种专用的深度神经网络架构，该架构结合了卷积神经网络（CNN）和循环神经网络（RNN）的优点。具体来说：
CNN部分：提取AFM图像中的局部几何特征，如弯曲角度、局部高度变化等。
RNN部分：捕捉RNA整体的序列依赖性特征，模拟其动态行为。
通过对模拟数据和实验数据的联合训练，网络能够从二维的AFM数据中精准预测RNA的三维结构，并捕捉其动力学特性。
突破性创新：从技术到科学
技术层面的创新
从二维到三维的映射：研究者首次实现了从AFM二维形貌到RNA三维结构的精准预测，这一过程依赖于深度学习模型对复杂数据的解析能力。
高效动态捕捉：相比于传统的静态结构解析方法，这种方法能够揭示RNA构象的动态行为，帮助研究者理解其在生理条件下的功能机制。
科学问题的深入探索
通过结合AFM与DNN，研究者不仅实现了RNA结构的高精度解析，还为以下科学问题提供了新的研究工具：
RNA的不同构象如何影响其生物学功能？
RNA构象变化在疾病发生中的作用机制是什么？
是否存在与RNA动态行为相关的药物靶点？
实际应用前景
这一技术的潜在应用价值体现在多个领域：
RNA靶向药物研发
RNA分子的动态构象常是其功能的关键，通过解析这些动态特征，研究者可以发现新的RNA药物靶点，并优化RNA靶向药物的设计。例如，小分子RNA调节剂的结合可能依赖于特定的RNA构象，而这一构象的解析正是该方法的强项。
RNA疫苗与基因疗法
在RNA疫苗或基因疗法开发中，RNA的稳定性和活性至关重要。AFM与DNN结合的方法可以帮助优化RNA的结构设计，提升其生物稳定性和免疫原性。
基础生物学研究
这一技术为RNA动态行为的基础研究提供了新工具。例如，某些核糖开关或催化RNA的功能可能与其动态构象变化密切相关，通过这一方法可以更全面地理解这些机制。
研究的结论与展望
这项研究表明，AFM与深度神经网络的结合是解析RNA构象异质性的有力工具。其主要结论包括：
RNA的二维形貌数据可以通过深度学习方法还原为高分辨率的三维结构。
这种方法能够有效捕捉RNA构象的动态变化，为RNA功能研究提供了动态视角。
相较于传统方法，该技术具有高效、灵活和成本低的优势，尤其适用于复杂环境中的RNA研究。
然而，这项技术仍有一些未解决的问题，例如：
如何进一步提高AFM分辨率以解析更小的RNA分子或更复杂的结构？
如何在复杂生物环境中，如细胞内，应用这一技术？
深度神经网络模型的可扩展性是否能适应更广泛的RNA类型和条件？
这些问题的解决将进一步推动该领域的发展，并为RNA分子生物学的未来研究带来更多可能性。
参考文献
Determining structures of RNA conformers using AFM and deep neural networks
Author: Degenhardt, Maximilia F. S., Degenhardt, Hermann F., Bhandari, Yuba R., Lee, Yun-Tzai, Ding, Jienyu, Yu, Ping, Heinz, William F., Stagno, Jason R., Schwieters, Charles D., Watts, Norman R., Wingfield, Paul T., Rein, Alan, Zhang, Jinwei, Wang, Yun-Xing
DOI: 10.1038/s41586-024-07559-x
