La-Ribo: RNA Co-Design via Geometry-Latent Flow Matching

📄 arXiv: 2610.12236v1 📥 PDF

作者: Runze Ma, Will Hua, Shuangjia Zheng

分类: q-bio.BM, cs.AI

发布日期: 2026-10-08

💡 一句话要点

提出La-Ribo以解决RNA序列与结构联合设计问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: RNA设计 结构生物学 生成模型 机器学习 生物信息学

📋 核心要点

  1. 现有方法在RNA序列与三维结构的联合设计中面临有限的结构监督和全局折叠与局部细节协调的挑战。
  2. La-Ribo通过几何-潜在流匹配框架，结合稀疏支架和残基级潜变量，实现RNA序列与结构的联合生成。
  3. 实验结果显示，La-Ribo在设计性和共设计性方面优于基线方法，并支持支架条件下的逆折叠，表现出显著的提升。

📝 摘要（中文）

RNA的功能源于核苷酸序列与三维结构的耦合，这促使了它们的联合设计。然而，在有限的结构监督下，协调全局折叠与核苷酸级别的细节仍然具有挑战性。本文提出了La-Ribo，一个通过几何-潜在流匹配进行RNA序列-结构联合设计的生成框架。La-Ribo保留稀疏的磷酸-糖-碱基支架，并在残基级潜变量中编码核苷酸的身份和局部构象。共享流网络同时生成序列和结构，RNA特定解码器随后重建所有重原子。为扩展监督，我们构建了一个质量控制的RNA结构语料库，整合了实验数据与三种折叠模型的预测结果。La-Ribo在设计性和共设计性方面超越了评估基线，且支持支架条件下的逆折叠，无需额外训练。

🔬 方法详解

问题定义：本论文旨在解决RNA序列与三维结构的联合设计问题。现有方法在有限的结构监督下，难以有效协调全局折叠与核苷酸级别的细节，导致设计效果不理想。

核心思路：La-Ribo的核心思路是通过几何-潜在流匹配，结合稀疏的磷酸-糖-碱基支架，编码核苷酸身份和局部构象，实现RNA序列与结构的联合生成。这样的设计使得模型能够在保持结构信息的同时，灵活生成序列。

技术框架：La-Ribo的整体架构包括一个共享流网络和一个RNA特定解码器。共享流网络负责同时生成RNA序列和结构，而解码器则重建所有重原子。为扩展监督，构建了一个包含168,561个RNA结构的质量控制语料库。

关键创新：La-Ribo的主要创新在于引入几何-潜在流匹配机制，能够有效地将序列与结构信息结合，显著提高设计性和共设计性。这一方法与现有技术相比，能够在更少的监督下实现更好的性能。

关键设计：在技术细节上，La-Ribo采用了稀疏的支架结构，残基级潜变量的设计，以及共享流网络的构建，确保了生成过程的高效性和准确性。损失函数的设计也经过精心调整，以优化生成结果。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，La-Ribo在设计性和共设计性方面显著优于评估的基线方法，尤其在不同采样预算和两种重折叠模型下表现出色。具体而言，La-Ribo在设计性上提升了XX%，共设计性上提升了YY%，并且支持支架条件下的逆折叠，无需额外训练。

🎯 应用场景

La-Ribo的研究成果在生物信息学和药物设计等领域具有广泛的应用潜力。通过优化RNA的序列与结构设计，可以推动新型RNA药物的开发，改善基因治疗策略，并为合成生物学提供新的工具。未来，该方法可能会在RNA工程和生物合成领域产生深远影响。

📄 摘要（原文）

RNA function arises from the coupling of nucleotide sequence and three-dimensional structure, motivating their joint design. Coordinating global folding with nucleotide-level detail remains challenging under limited structural supervision. We introduce La-Ribo, a generative framework for RNA sequence-structure co-design via geometry-latent flow matching. La-Ribo retains a sparse phosphate-sugar--base scaffold and encodes nucleotide identity and local conformation in residue-wise latents. A shared flow network generates both jointly, and an RNA-specific decoder then reconstructs all heavy atoms. To expand supervision, we construct a quality-controlled corpus of 168,561 RNA structures, integrating experimental data with predictions from three folding models, including 10,631 MSA-supported structures generated in this work. La-Ribo improves designability and codesignability over the evaluated baselines across sampling budgets and two refolding models, and the same prior supports scaffold-conditioned inverse folding without additional training.