中国科大团队发布开源RNA序列基础模型structRFM，成果发表于《自然》
中国科学技术大学周少华、熊鹏团队发布开源核糖核酸（RNA）序列基础模型structRFM，将结构知识融入大规模序列学习，仅输入序列即可提取多层级特征，用于结构预测与功能推断。 团队已开放配对数据、模型权重与源代码。
相关成果发表于《自然》，属模型能力与资源开放进展，尚未涉及药物发现等下游应用的实际效果验证。
研究原始来源可核对
事实与证据边界
新华社报道，中国科学技术大学教授周少华、特任研究员熊鹏团队发布开源RNA（核糖核酸）序列基础模型structRFM，11月5日相关研究成果发表于国际学术期刊《自然》。 团队构建约2100万条经计算注释的序列—二级结构配对数据，预训练后模型仅需输入序列即可提取序列级、核苷酸级和核苷酸对级特征。
实验显示，structRFM在零样本同源性分类中表现良好并提升二级结构预测性能； 特征融入三级结构预测模型后改善三维结构及对应二级结构预测； 功能推断支持剪接位点预测、内部核糖体进入位点识别和非编码RNA分类； 在新发布RNA家族上保持较好二级结构预测表现，并通过分段策略扩展至长链非编码RNA分类。 消融实验验证结构信息引入及掩码策略对性能提升的作用。
实验室已开放完整配对数据、模型权重和源代码。 中国科大生物医学工程学院博士朱河勤为论文第一作者，周少华与熊鹏为共同通讯作者。
分析判断
这是基础模型方法向生命科学领域延伸的一个样本：把二级结构先验注入大规模序列预训练，使单一序列输入覆盖分类、结构预测和功能推断多类下游任务，并以开放权重和训练数据降低复现门槛。 需要区分的是，论文报告的是基准任务上的预测性能提升，而非经实验验证的生物学机制结论或药物发现成果； 其价值在于为RNA研究者提供可复用基线与工具。
后续观察信号
- structRFM的模型架构与预训练细节是否在论文中完整公开
- 零样本同源性分类的评测数据集与对比基线
- 开放数据与权重采用何种许可协议