🔬 El equipo que publica en Nature presenta structRFM, una IA entrenada con 21 millones de pares de secuencias y estructuras de ARN. Su variante Zfold alcanza un rendimiento comparable al de AlphaFold3 en tres conjuntos de pruebas. El estudio sugiere que aprender secuencia y estructura juntas ayuda a predecir la forma y función del ARN.
La función del ARN depende de su estructura. structRFM incorpora qué bases se emparejan durante el entrenamiento. MUSES, otro componente del trabajo, combina estructuras secundarias de varias fuentes para reducir el sesgo de cada predictor.
Los autores evaluaron Zfold en CASP15-natural, CASP16 y RNA-Puzzles, con 8, 13 y 20 ARN. También describen mejoras al predecir funciones y resultados que se extienden a familias de ARN recién publicadas y ARN largos no codificantes.
El equipo dejó abiertos los 21 millones de pares de entrenamiento, los parámetros de los modelos y el código. Estos recursos están disponibles en Zenodo y GitHub para apoyar el desarrollo de otros modelos de ARN.
✅ El trabajo sugiere que aprender estructura y secuencia juntas ayuda a una misma IA a resolver distintas tareas sobre ARN. El alcance tiene límites: Zfold rinde mejor con ARN naturales que con ciertos ARN sintéticos y a veces omite tallos cortos.
