Une équipe de l'USTC publie structRFM, un modèle de fondation ouvert pour l'ARN entraîné sur 21 millions de paires séquence-structure
L'article de Nature indique que son adaptation 3D, Zfold, obtient des résultats comparables à AlphaFold3 sur CASP15, CASP16 et RNA-Puzzles ; données, poids et code sont ouverts.
Pourquoi c’est important
La plupart des modèles de langage pour l'ARN n'apprennent qu'à partir de la séquence, alors que la fonction de l'ARN dépend de son repliement. structRFM intègre l'appariement des bases dans le pré-entraînement et s'appuie sur MUSES, un ensemble multi-sources de structures secondaires, pour limiter le biais d'un prédicteur unique. Les auteurs revendiquent de nouveaux records en prédiction de structure secondaire et des progrès sur des tâches fonctionnelles, y compris de nouvelles familles d'ARN et des ARN longs non codants. Les 21 millions de paires et les poids étant publiés, d'autres équipes peuvent vérifier la comparaison avec AlphaFold3 ; à suivre : des résultats indépendants et l'usage en conception de médicaments à ARN.
Faits clés
- Publié dans Nature le 4 novembre 2026
- Entraîné sur 21 millions de paires séquence-structure d'ARN
- Utilise MUSES, un ensemble multi-sources de structures secondaires
- L'adaptation 3D Zfold est comparable à AlphaFold3 sur CASP15, CASP16 et RNA-Puzzles
- Données, poids et code source ouverts
- Développé à l'Université des sciences et technologies de Chine