多国联合团队2025年在 Nature Communications 发表的《 Designing molecular RNA switches with Restricted Boltzmann machines 》提出基于受限玻尔兹曼机（RBM）的 RNA 开关设计方法。RBM 从天然 SAM-I 核糖开关序列中学习规律，生成 476 条人工序列，部分与天然序列差异达 40%。经 SHAPE 和 DMS 实验验证，RBM 高评分（>300）序列对 SAM 的结构开关响应成功率达 35%，且能建模假结等关键三级结构。该方法还适配环二腺苷酸等其他核糖开关家族，为合成生物学调控工具开发提供新路径。

在细菌的基因调控中，有一种神奇的 “分子开关”—— 核糖开关（Riboswitch）。它无需蛋白质协助，仅靠自身 RNA 结构变化，就能感知代谢物浓度并调控基因表达，是生命体内高效的 “天然传感器”。然而，人工设计这种能精准响应特定分子的 RNA 开关，一直是合成生物学的难题 —— 传统方法难以同时兼顾结构稳定性与开关灵活性。2025 年，法国、德国联合团队在《Nature Communications》发表重磅研究，利用受限玻尔兹曼机（RBM） 构建生成模型，成功设计出功能与天然核糖开关相当的人工 RNA 分子，部分序列与天然序列差异达 40% 仍能高效响应，为基因编辑、代谢工程等领域提供了全新工具。

  一、天然 RNA 开关的 “精妙之处” 与人工设计的 “拦路虎”

要理解人工设计的难点，首先得看清天然核糖开关的 “工作原理”：

1.1 天然核糖开关的双重身份

图1 SAM-I 核糖开关的结构二态性（左：ON 状态，右：OFF 状态，结合 SAM 后形成假结与终止子结构）

核糖开关的核心是适配体结构域（Aptamer），它能实现 “结构二态性”：

无代谢物时（ON 状态）：适配体结构松散，下游基因的转录或翻译不受阻，基因正常表达；

结合代谢物后（OFF 状态）：适配体与代谢物（如 S - 腺苷甲硫氨酸 SAM）结合，触发构象折叠，形成终止子结构，阻断基因表达（如图 1）。

这种 “感知 - 响应” 的全 RNA 自主机制，使其成为合成生物学中理想的调控工具，但天然核糖开关的序列与结构高度耦合，人工复刻难度极大。

1.2 人工设计的三大挑战

长期以来，人工设计 RNA 开关主要面临三大障碍：

结构 - 功能映射复杂：RNA 序列与三维结构的关系是非线性的，微小的序列变化可能导致功能完全丧失，传统热力学模型难以精准预测；

三级结构难兼顾：核糖开关的功能依赖假结（Pseudoknot）等三级结构，而传统设计方法（如协方差模型 CM）只能捕捉二级结构，无法建模这些关键相互作用；

开关灵活性不足：人工设计的 RNA 常出现 “锁死” 在单一构象的问题，无法像天然分子那样在 “开放 - 闭合” 状态间灵活切换。

以 SAM-I 型核糖开关为例，它需要结合 SAM 后稳定 P1 螺旋和假结结构，这种协同折叠的复杂性，让人工设计的成功率长期低于 10%。

  二、RBM 的 “魔法”：从天然序列中学会设计密码

研究团队的核心创新，是用 RBM 从天然核糖开关序列中 “学习” 设计规律，而非直接模拟生物物理过程。RBM 是一种两层生成式神经网络，能捕捉数据中的统计规律，尤其擅长建模序列间的关联与变异：

图2 基于 RBM 的 RNA 开关设计与验证流程

2.1 训练过程：让 AI “读懂” 天然 RNA 的进化密码

团队首先收集了 Rfam 数据库中 SAM-I 型核糖开关的同源序列，构建多序列比对（MSA）数据集。将这些序列输入 RBM 后，模型通过两个关键步骤学习：

特征提取：可见层（Visible Layer）编码 RNA 序列的核苷酸（A/C/G/U/ 间隙），隐藏层（Hidden Layer）自动提取潜在特征，比如 “哪些位置的核苷酸必须互补以形成螺旋”“假结结构需要哪些序列模式支撑”；

规律建模：通过最大化正则似然函数，RBM 学习天然序列的保守性（如关键结合位点的核苷酸不变性）与协变性（如螺旋区的碱基互补配对变异），最终形成一个能生成 “符合功能规律” 的 RNA 序列的概率模型。

与传统协方差模型（CM）相比，RBM 的优势在于能捕捉高阶相互作用—— 不仅能建模碱基对之间的二级结构关联，还能识别假结中三个及以上核苷酸的协同关系，这正是天然核糖开关功能的核心。

2.2 RBM 的核心公式：量化序列与结构的关联

RBM 的生成能力源于其对序列概率分布的精准建模，核心公式贯穿 “能量计算 - 概率转化 - 特征整合” 全流程：

联合能量函数：定义可见层（RNA 序列 v）与隐藏层（潜在特征 h）的联合能量，量化两者的相互作用：

其中，V_i(v_i)是可见层核苷酸的偏置势能，U_μ(h_μ)是隐藏层单元的偏置势能，w_iμ(v_i)是两层间的交互权重，N 为序列长度，M 为隐藏单元数。

序列概率分布：通过玻尔兹曼分布，将能量转化为序列出现的概率，能量越低的序列越可能具备功能：

Z 为归一化配分函数，E_eff(v)是边际化隐藏变量后的有效能量，可高效计算无需遍历所有隐藏状态，这也是 RBM 能快速生成候选序列的关键。

保护分数（Protection Score）：后续实验验证中，用于量化 RNA 位点的配对概率，判断结构开关是否生效：

其中M是关键位点集合（如假结、SAM 结合位点），P(^~r_in|bp)和P(^~r_in|np)分别是位点配对与未配对时的反应活性概率，分数正负变化直接反映构象切换。

2.3 设计流程：从模型采样到功能 RNA

训练完成后，团队通过两个筛选步骤从 RBM 生成的序列中获得候选分子：

分数筛选：保留 RBM 评分高于 300 的序列（该分数反映序列与天然家族的契合度）；

多样性筛选：优先选择与天然序列差异较大（10%-40%）的序列，验证模型的泛化能力。

最终，团队设计了 476 条人工 RNA 序列，与 201 条天然序列一同进行实验验证。

  三、实验验证：人工 RNA 开关的 “实战表现”

为了检验人工 RNA 的功能，团队采用两种化学探测技术（SHAPE-MaP 和 DMS），通过检测 RNA 核苷酸的反应活性变化，判断其结合代谢物后的构象转换：

图3 RBM 设计 RNA 与天然 RNA 的 SHAPE 反应活性对比

图4 天然 RNA 与不同模型设计 RNA 的功能成功率对比

3.1 结构开关验证：与天然分子 “行为一致”

化学探测的核心逻辑是：RNA 中未配对的核苷酸反应活性高，配对或结合代谢物后活性降低（即 “保护效应”）。实验发现：

高评分的人工 RNA 序列（RBM 分数 > 300）与天然序列表现出高度相似的保护模式 —— 结合 SAM 后，假结区（25-28 位、77-80 位）、SAM 结合位点（10 位、11 位等）的反应活性显著下降，证明其成功折叠为闭合构象；

部分人工序列即使缺失天然序列中的 P4 螺旋结构，仍能正常响应 SAM，展现出比天然分子更强的结构灵活性。

3.2 功能效率：35% 的成功率媲美天然开关

通过统计 “保护分数”（衡量关键位点构象变化的显著性），团队得出核心结论：

在结论明确的人工序列中，35% 能高效响应 SAM，与天然核糖开关的功能成功率（66.9%）虽有差距，但考虑到人工序列与天然序列的差异，这一结果已远超传统设计方法；

当人工序列与天然序列差异在 20% 以内时，功能成功率高达 50%，部分序列甚至能在 SAM 浓度仅 0.1mM 时触发开关；

对比实验显示，传统协方差模型（CM）设计的序列无一提振功能，证明 RBM 对三级结构的建模能力是成功的关键。

3.3 关键发现：开关功能的 “能量窗口”

图5 RNA 开关功能的能量窗口

团队还发现一个重要规律：人工 RNA 开关的功能与 P1 螺旋、假结的配对能量密切相关 —— 只有当这些结构的形成能量处于 -10~0 kcal/mol 的中间区间时，才能实现灵活开关。若能量过低（结构过稳定），RNA 会 “锁死” 在闭合状态；若能量过高（结构过松散），则无法稳定结合代谢物。而 RBM 生成的序列，恰好优先落在这个 “功能能量窗口” 内，这正是其设计成功率高的核心原因。

  四、RBM 设计的 “独特优势”：超越传统方法的核心逻辑

与传统 RNA 设计方法相比，RBM 的生成式建模思路具有三大不可替代的优势：

4.1 从 “规则驱动” 到 “数据驱动”

传统方法依赖已知的 RNA 结构规则（如碱基配对原则），而 RBM 直接从天然序列数据中学习规律，能捕捉人类尚未发现的潜在模式 —— 例如某些看似不保守的位点，其实是维持开关灵活性的关键，这种 “数据自主发现” 让设计更贴近自然规律。

4.2 可解释性与创造性兼备

RBM 的隐藏层权重可可视化，能直接揭示功能相关的序列基序（Motif）：例如某一隐藏单元的权重分布显示，它同时调控 P1 螺旋的碱基互补和假结的形成，证明这两个结构的协同稳定对开关功能至关重要（如图 3）。这种可解释性，让研究人员能反向优化设计策略。

4.3 泛化能力强，适配多样需求

RBM 不仅能设计 SAM 响应型开关，团队还验证了其在环二腺苷酸（c-di-AMP）、甘氨酸等其他核糖开关家族的适用性。此外，通过调整模型参数，还能设计出缺失特定螺旋（如 P4）的极简开关，满足不同场景的应用需求。

  五、应用前景：从实验室工具到产业级应用

人工 RNA 开关的成功设计，为多个领域打开了想象空间：

5.1 精准基因调控工具

将人工 RNA 开关与编辑工具（如 CRISPR）结合，可实现 “代谢物触发的基因编辑”—— 例如在肿瘤细胞中，当检测到异常高浓度的代谢物（如乳酸）时，才启动编辑程序，降低脱靶风险。

5.2 代谢工程优化

在微生物发酵中，可设计响应目标产物（如乙醇、氨基酸）的 RNA 开关，当产物浓度达到阈值时自动关闭合成通路，避免产物过量抑制生长，提升发酵效率。

5.3 生命起源研究

RNA 开关被认为是 “RNA 世界假说” 的关键证据，人工设计的功能 RNA 开关，为研究早期生命如何通过 RNA 实现自主调控提供了绝佳的实验模型。

  六、总结

这项研究的核心价值，在于首次用生成式 AI 突破了 RNA 开关设计的 “结构 - 功能” 瓶颈。RBM 不再局限于模拟已知的生物物理规则，而是通过学习天然序列的进化信息，自主探索功能 RNA 的序列空间，甚至设计出天然中不存在但功能更优的分子。随着技术迭代，未来可能实现 “定制化 RNA 开关”—— 输入目标代谢物和调控需求，AI 就能快速生成对应的 RNA 序列，为合成生物学、基因治疗、生物制造等领域带来革命性变化

 

---

原文链接：https://www.nature.com/articles/s41467-025-66265-y

多国联合团队2025年在 Nature Communications 发表的《 Designing molecular RNA switches with Restricted Boltzmann machines 》提出基于受限玻尔兹曼机（RBM）的 RNA 开关设计方法。RBM 从天然 SAM-I 核糖开关序列中学习规律，生成 476 条人工序列，部分与天然序列差异达 40%。经 SHAPE 和 DMS 实验验证，RBM 高评分（>300）序列对 SAM 的结构开关响应成功率达 35%，且能建模假结等关键三级结构。该方法还适配环二腺苷酸等其他核糖开关家族，为合成生物学调控工具开发提供新路径。

在细菌的基因调控中，有一种神奇的 “分子开关”—— 核糖开关（Riboswitch）。它无需蛋白质协助，仅靠自身 RNA 结构变化，就能感知代谢物浓度并调控基因表达，是生命体内高效的 “天然传感器”。然而，人工设计这种能精准响应特定分子的 RNA 开关，一直是合成生物学的难题 —— 传统方法难以同时兼顾结构稳定性与开关灵活性。2025 年，法国、德国联合团队在《Nature Communications》发表重磅研究，利用受限玻尔兹曼机（RBM） 构建生成模型，成功设计出功能与天然核糖开关相当的人工 RNA 分子，部分序列与天然序列差异达 40% 仍能高效响应，为基因编辑、代谢工程等领域提供了全新工具。

  一、天然 RNA 开关的 “精妙之处” 与人工设计的 “拦路虎”

要理解人工设计的难点，首先得看清天然核糖开关的 “工作原理”：

1.1 天然核糖开关的双重身份

图1 SAM-I 核糖开关的结构二态性（左：ON 状态，右：OFF 状态，结合 SAM 后形成假结与终止子结构）

核糖开关的核心是适配体结构域（Aptamer），它能实现 “结构二态性”：

无代谢物时（ON 状态）：适配体结构松散，下游基因的转录或翻译不受阻，基因正常表达；

结合代谢物后（OFF 状态）：适配体与代谢物（如 S - 腺苷甲硫氨酸 SAM）结合，触发构象折叠，形成终止子结构，阻断基因表达（如图 1）。

这种 “感知 - 响应” 的全 RNA 自主机制，使其成为合成生物学中理想的调控工具，但天然核糖开关的序列与结构高度耦合，人工复刻难度极大。

1.2 人工设计的三大挑战

长期以来，人工设计 RNA 开关主要面临三大障碍：

结构 - 功能映射复杂：RNA 序列与三维结构的关系是非线性的，微小的序列变化可能导致功能完全丧失，传统热力学模型难以精准预测；

三级结构难兼顾：核糖开关的功能依赖假结（Pseudoknot）等三级结构，而传统设计方法（如协方差模型 CM）只能捕捉二级结构，无法建模这些关键相互作用；

开关灵活性不足：人工设计的 RNA 常出现 “锁死” 在单一构象的问题，无法像天然分子那样在 “开放 - 闭合” 状态间灵活切换。

以 SAM-I 型核糖开关为例，它需要结合 SAM 后稳定 P1 螺旋和假结结构，这种协同折叠的复杂性，让人工设计的成功率长期低于 10%。

  二、RBM 的 “魔法”：从天然序列中学会设计密码

研究团队的核心创新，是用 RBM 从天然核糖开关序列中 “学习” 设计规律，而非直接模拟生物物理过程。RBM 是一种两层生成式神经网络，能捕捉数据中的统计规律，尤其擅长建模序列间的关联与变异：

图2 基于 RBM 的 RNA 开关设计与验证流程

2.1 训练过程：让 AI “读懂” 天然 RNA 的进化密码

团队首先收集了 Rfam 数据库中 SAM-I 型核糖开关的同源序列，构建多序列比对（MSA）数据集。将这些序列输入 RBM 后，模型通过两个关键步骤学习：

特征提取：可见层（Visible Layer）编码 RNA 序列的核苷酸（A/C/G/U/ 间隙），隐藏层（Hidden Layer）自动提取潜在特征，比如 “哪些位置的核苷酸必须互补以形成螺旋”“假结结构需要哪些序列模式支撑”；

规律建模：通过最大化正则似然函数，RBM 学习天然序列的保守性（如关键结合位点的核苷酸不变性）与协变性（如螺旋区的碱基互补配对变异），最终形成一个能生成 “符合功能规律” 的 RNA 序列的概率模型。

与传统协方差模型（CM）相比，RBM 的优势在于能捕捉高阶相互作用—— 不仅能建模碱基对之间的二级结构关联，还能识别假结中三个及以上核苷酸的协同关系，这正是天然核糖开关功能的核心。

2.2 RBM 的核心公式：量化序列与结构的关联

RBM 的生成能力源于其对序列概率分布的精准建模，核心公式贯穿 “能量计算 - 概率转化 - 特征整合” 全流程：

联合能量函数：定义可见层（RNA 序列 v）与隐藏层（潜在特征 h）的联合能量，量化两者的相互作用：

其中，V_i(v_i)是可见层核苷酸的偏置势能，U_μ(h_μ)是隐藏层单元的偏置势能，w_iμ(v_i)是两层间的交互权重，N 为序列长度，M 为隐藏单元数。

序列概率分布：通过玻尔兹曼分布，将能量转化为序列出现的概率，能量越低的序列越可能具备功能：

Z 为归一化配分函数，E_eff(v)是边际化隐藏变量后的有效能量，可高效计算无需遍历所有隐藏状态，这也是 RBM 能快速生成候选序列的关键。

保护分数（Protection Score）：后续实验验证中，用于量化 RNA 位点的配对概率，判断结构开关是否生效：

其中M是关键位点集合（如假结、SAM 结合位点），P(^~r_in|bp)和P(^~r_in|np)分别是位点配对与未配对时的反应活性概率，分数正负变化直接反映构象切换。

2.3 设计流程：从模型采样到功能 RNA

训练完成后，团队通过两个筛选步骤从 RBM 生成的序列中获得候选分子：

分数筛选：保留 RBM 评分高于 300 的序列（该分数反映序列与天然家族的契合度）；

多样性筛选：优先选择与天然序列差异较大（10%-40%）的序列，验证模型的泛化能力。

最终，团队设计了 476 条人工 RNA 序列，与 201 条天然序列一同进行实验验证。

  三、实验验证：人工 RNA 开关的 “实战表现”

为了检验人工 RNA 的功能，团队采用两种化学探测技术（SHAPE-MaP 和 DMS），通过检测 RNA 核苷酸的反应活性变化，判断其结合代谢物后的构象转换：

图3 RBM 设计 RNA 与天然 RNA 的 SHAPE 反应活性对比

图4 天然 RNA 与不同模型设计 RNA 的功能成功率对比

3.1 结构开关验证：与天然分子 “行为一致”

化学探测的核心逻辑是：RNA 中未配对的核苷酸反应活性高，配对或结合代谢物后活性降低（即 “保护效应”）。实验发现：

高评分的人工 RNA 序列（RBM 分数 > 300）与天然序列表现出高度相似的保护模式 —— 结合 SAM 后，假结区（25-28 位、77-80 位）、SAM 结合位点（10 位、11 位等）的反应活性显著下降，证明其成功折叠为闭合构象；

部分人工序列即使缺失天然序列中的 P4 螺旋结构，仍能正常响应 SAM，展现出比天然分子更强的结构灵活性。

3.2 功能效率：35% 的成功率媲美天然开关

通过统计 “保护分数”（衡量关键位点构象变化的显著性），团队得出核心结论：

在结论明确的人工序列中，35% 能高效响应 SAM，与天然核糖开关的功能成功率（66.9%）虽有差距，但考虑到人工序列与天然序列的差异，这一结果已远超传统设计方法；

当人工序列与天然序列差异在 20% 以内时，功能成功率高达 50%，部分序列甚至能在 SAM 浓度仅 0.1mM 时触发开关；

对比实验显示，传统协方差模型（CM）设计的序列无一提振功能，证明 RBM 对三级结构的建模能力是成功的关键。

3.3 关键发现：开关功能的 “能量窗口”

图5 RNA 开关功能的能量窗口

团队还发现一个重要规律：人工 RNA 开关的功能与 P1 螺旋、假结的配对能量密切相关 —— 只有当这些结构的形成能量处于 -10~0 kcal/mol 的中间区间时，才能实现灵活开关。若能量过低（结构过稳定），RNA 会 “锁死” 在闭合状态；若能量过高（结构过松散），则无法稳定结合代谢物。而 RBM 生成的序列，恰好优先落在这个 “功能能量窗口” 内，这正是其设计成功率高的核心原因。

  四、RBM 设计的 “独特优势”：超越传统方法的核心逻辑

与传统 RNA 设计方法相比，RBM 的生成式建模思路具有三大不可替代的优势：

4.1 从 “规则驱动” 到 “数据驱动”

传统方法依赖已知的 RNA 结构规则（如碱基配对原则），而 RBM 直接从天然序列数据中学习规律，能捕捉人类尚未发现的潜在模式 —— 例如某些看似不保守的位点，其实是维持开关灵活性的关键，这种 “数据自主发现” 让设计更贴近自然规律。

4.2 可解释性与创造性兼备

RBM 的隐藏层权重可可视化，能直接揭示功能相关的序列基序（Motif）：例如某一隐藏单元的权重分布显示，它同时调控 P1 螺旋的碱基互补和假结的形成，证明这两个结构的协同稳定对开关功能至关重要（如图 3）。这种可解释性，让研究人员能反向优化设计策略。

4.3 泛化能力强，适配多样需求

RBM 不仅能设计 SAM 响应型开关，团队还验证了其在环二腺苷酸（c-di-AMP）、甘氨酸等其他核糖开关家族的适用性。此外，通过调整模型参数，还能设计出缺失特定螺旋（如 P4）的极简开关，满足不同场景的应用需求。

  五、应用前景：从实验室工具到产业级应用

人工 RNA 开关的成功设计，为多个领域打开了想象空间：

5.1 精准基因调控工具

将人工 RNA 开关与编辑工具（如 CRISPR）结合，可实现 “代谢物触发的基因编辑”—— 例如在肿瘤细胞中，当检测到异常高浓度的代谢物（如乳酸）时，才启动编辑程序，降低脱靶风险。

5.2 代谢工程优化

在微生物发酵中，可设计响应目标产物（如乙醇、氨基酸）的 RNA 开关，当产物浓度达到阈值时自动关闭合成通路，避免产物过量抑制生长，提升发酵效率。

5.3 生命起源研究

RNA 开关被认为是 “RNA 世界假说” 的关键证据，人工设计的功能 RNA 开关，为研究早期生命如何通过 RNA 实现自主调控提供了绝佳的实验模型。

  六、总结

这项研究的核心价值，在于首次用生成式 AI 突破了 RNA 开关设计的 “结构 - 功能” 瓶颈。RBM 不再局限于模拟已知的生物物理规则，而是通过学习天然序列的进化信息，自主探索功能 RNA 的序列空间，甚至设计出天然中不存在但功能更优的分子。随着技术迭代，未来可能实现 “定制化 RNA 开关”—— 输入目标代谢物和调控需求，AI 就能快速生成对应的 RNA 序列，为合成生物学、基因治疗、生物制造等领域带来革命性变化

 

---

原文链接：https://www.nature.com/articles/s41467-025-66265-y