RNA逆折叠不再只看骨架：把分子表面当设计约束，三个基准序列回收率均居首
核心概要
RNA逆折叠要从目标三维结构反推核苷酸序列，此前方法主要依赖二级结构和骨架拓扑，很少把决定分子间相互作用的分子表面纳入约束。gRFold把表面点云、骨架图和二级结构经分层交叉注意力融合，再驱动自回归解码，并在推理时按折叠结果与目标碱基配对的一致性重排候选。在RNA-蛋白复合物、单体RNA和RNA-Puzzles三个基准上，gRFold的序列回收率分别为49.65%、51.67%和45.00%，均为所比较方法中最高；消融显示表面分支与骨架分支贡献互补。
深度剖析
RNA序列设计多了一条可计算的设计约束：目标分子的表面几何，与二级结构和骨架拓扑一起进入生成过程。 此前的RNA逆折叠方法从早期二级结构反折叠到引入三维骨架拓扑的模型，大多不显式表示分子表面，而表面几何与电荷分布、氢键位点共同影响RNA与蛋白、小分子和核酸的相互作用。 在三个基准上，gRFold的序列回收率为49.65%、51.67%和45.00%，在表中所比较方法中均为最高；在RNA-Puzzles上，其RNAfold与BPfold的F1分别为0.626和0.580，Boltz-2的TM-score为0.370。
表面信息不是单独起作用，它与骨架信息各自补上一块，去掉任一支路都会改变结果。 去掉骨架分支后，三个基准的回收率从49.650%、51.671%、45.004%降到41.013%、42.306%、40.090%，RNAfold F1也相应从0.497、0.486、0.626降到0.337、0.355、0.415。 去掉表面分支对回收率影响较小，但两个RNAsolo基准上RhoFold的TM-score从0.297降到0.255、从0.277降到0.236；表面分支的贡献在RBP-Complex基准上最大，在RNA-Puzzles上最小，两个变体的F1在该基准上同为0.626和0.580。
模型把三类异构输入拼进同一个条件表示，再逐位生成核苷酸。 二级结构是离散的点括号字符串，表面是无序点集，骨架是按残基索引的张量，三者长度和结构都不同，需要先各自编码再对齐。 表面点云经MSMS提取并用八叉树降采样到512个点，由四层等变图卷积加帧平均注意力编码为1024维；骨架取每个残基的P、C1’、C3’三个原子构成图，由三层几何向量感知机编码为512维；融合后的表示驱动24层自回归Transformer解码器。
推理阶段用折叠一致性做筛选，把生成候选按与目标碱基配对模式的吻合度排序。 序列到结构的映射是多对一的，贪心解码可能错过目标拓扑，因此需要从多个候选中挑选。 推理时用核采样抽取50个候选，各自用RNAfold折叠，按与目标点括号字符串的碱基配对F1打分并取最高者。
启示与展望
评估覆盖三个计算基准：RNAsolo RBP-Complex（283条序列）、RNAsolo Monomeric（278条序列）和RNA-Puzzles（21条序列），指标为序列回收率、RNAfold与BPfold的二级结构F1，以及RhoFold与Boltz-2重折叠后的RMSD和TM-score。作者说明这些是计算结构指标而非实验验证，生成的序列应视为计算候选，需经专家审查后再用于下游。
作者列出的限制包括：高质量RNA三维结构数据有限，对罕见家族或非常规motif的泛化可能受限；方法预设已有实验测定或可靠预测的三级结构，这转移而非消除了部分设计难度；RMSD与TM-score继承重折叠预测器的误差；超过200个核苷酸的长序列性能下降，但所比较方法同样如此。