《RNAFlow：基于逆折叠流匹配的 RNA 结构与序列设计》

分开设计的模型

这是一个很好的问题 —— 你确实有必要仔细审查这个细节。

❓ 在 RNAFlow 中，RNA 序列 和 结构 是联合共同设计的吗？

✅ 是的，但并非在最严格意义上的同时共同设计。

以下是详细说明：

---

🔄 RNAFlow 中的共同设计机制

组件	行为
序列	首先 从一个加噪的蛋白 - RNA 复合体（通过 噪声到序列）中预测出来
结构	其次 通过使用 预训练的 RF2NA 折叠序列来预测
监督	预测的序列和由此折叠得到的结构都用于计算损失
反向传播	梯度 通过 序列和结构传导（通过 Gumbel-Softmax + RF2NA）

---

🔍 解释

• 并非真正的共同设计： 该模型不会像某些蛋白质共同设计方法那样，在一个循环中 迭代地共同优化 序列和结构。
• 但： 由于梯度从结构损失传导回序列预测器，结构确实会影响序列的优化方式。

因此，序列在优化时 会考虑结构后果，但结构是 不会共同学习的（RF2NA 是固定的）。

---

🧠 总结

RNAFlow 是 半耦合的共同设计：

• 序列是可学习的
• 结构是固定的（预测的，而非学习的）
• 设计是 以序列为中心 的，结构用于通过可微分的监督来引导优化。

您想要将其与像 AlphaDesign 或基于 SE（3）- 变换器的联合模型这样的真正的共同设计架构进行比较吗？

好的，以下是翻译成中文的内容：

以下是论文《RNAFlow：基于逆折叠流匹配的 RNA 结构与序列设计》的 任务、数据（输入/输出） 和 框架 的简洁概述：

🎯 任务

设计能够与给定蛋白质结合的 RNA 序列和结构，使用名为 RNAFlow 的机器学习模型。其目标是：

• 联合生成 RNA 序列 及其 3D 主链结构。
• 以目标蛋白质的序列和结构为条件 进行生成。
• 建模 RNA 的结构 柔性（即构象系综），以提高设计质量。

📥 输入和 📤 输出

组件	描述
输入	- 蛋白质序列：{pi}（氨基酸 tokens） - 蛋白质结构：P ∈ ℝ^(Lp × 3 × 3)（每个残基的 N、Cα、C 原子）
输出	- RNA 序列：{ri}（核苷酸 tokens：A、C、G、U） - RNA 结构：R ∈ ℝ^(Lr × 3 × 3)（每个核苷酸的 P、C4′、N1/N9 原子）

🏗️ 框架概述

🔁 RNAFlow 工作流程：

• 第 1 步：加噪
  在 RNA 结构上应用随机噪声，采用流匹配策略（从高斯噪声到目标 RNA 结构进行插值）。

• 第 2 步：序列预测（噪声到序列）
  使用基于图的神经网络（GVP-GNN 逆折叠模型），在以下条件下预测 RNA 序列：

  • 加噪后的 RNA 结构
  • 蛋白质序列和结构
  • 时间步 t（编码噪声水平）

• 第 3 步：结构预测（RF2NA）
  使用预训练的 RosettaFold2NA 模型，将预测的 RNA 序列进行折叠以生成 RNA 主链结构。

• 第 4 步：损失函数
  训练最小化：

  • 经过 Kabsch 对齐后，预测 RNA 结构与真实 RNA 结构之间的均方误差（MSE）
  • RNA 序列预测的交叉熵损失

🌀 基于轨迹的增强（RNAFlow-Traj）

• 在推理过程中，从中间结构预测中收集多个构象。
• 使用多图 GNN（轨迹到序列）基于此 构象系综 预测最终的 RNA 序列，从而更好地模拟 RNA 的柔性。

🔍 重新打分模块

• 一个单独的模型对多个生成的 RNA 样本进行打分，并选择具有最高预测恢复概率的样本

如果您需要图表来可视化此工作流程，请告诉我。

以下是 RNAFlow 框架的 步骤流程：

🧬 RNAFlow 流程：以蛋白质为条件的 RNA 序列与结构设计

---

（1）输入准备

• 蛋白质输入：

  • 序列：{pi}（氨基酸）
  • 结构：P ∈ ℝ^(Lp × 3 × 3)（N、Cα、C 原子）

• RNA 目标（仅在训练期间用于监督）：

  • 序列：{ri}（核苷酸）
  • 结构：R ∈ ℝ^(Lr × 3 × 3)（P、C4′、N1/N9 原子）

---

（2）先验采样与噪声注入

• 从标准高斯分布中采样噪声：R₀ ∼ N(0, I₃)
• 通过 Kabsch 对齐将 R₀ 与真实值 R 对齐，以消除旋转。
• 从均匀分布中采样时间步：t ∼ U[0,1]
• 插值得到加噪结构：Rₜ = t·R + (1–t)·R₀

---

（3）序列预测：噪声到序列

• 输入：[蛋白质结构 P、蛋白质序列 {pi}、加噪 RNA 结构 Rₜ、时间步 t]
• 模型：基于 GVP-GNN 的逆折叠网络
• 输出：RNA 序列预测 {r̂i}

---

（4）结构预测：RosettaFold2NA（RF2NA）

• 输入：{r̂i}（预测的 RNA 序列）
• 输出：RNA 结构 R̂（预测的主链）

---

（5）损失函数

• 结构均方误差（MSE）：MSE(Kabsch(R̂, R), R)
• 序列损失：CE({r̂i}, {ri})
• 综合损失：

L = MSE(R̂, R) + ∑ CE(r̂i, ri)

---

（6）（可选）基于轨迹的推理：RNAFlow-Traj

• 运行多个流步骤（例如，N = 5）以构建 RNA 结构轨迹
• 使用 轨迹到序列（Traj-to-Seq） 从多个构象预测最终 {r̂i}
• 聚合多个中间结构以进行动态建模

---

（7）（可选）输出重新打分

• 对于多个生成的样本：
  • 输入：{pi}、P、{r̂i}、R̂
  • 输出：预测 RNA 是否实现 ≥30% 序列恢复的得分
  • 根据得分选择最佳 RNA 设计

---

您需要这个流程的可视化流程图吗？