摘要：近日，两项发表在Nature的工作结合原子力显微镜（Atomic force microscopy, AFM）对RNA拓扑结构的概览与机器学习，解析了溶液生理条件下的RNA“整体”构象空间[2], [3]。

RNA高度动态，对其构象空间的解析能够帮助人们进一步理解RNA生物学，开发相关元件，乃至设计靶向药物[1]–[3]。

但是，目前的方法基本上只能解析部分定格构象，并且很多时候并不在正常生理条件[4]。

近日，两项发表在Nature的工作结合原子力显微镜（Atomic force microscopy, AFM）对RNA拓扑结构的概览与机器学习，解析了溶液生理条件下的RNA“整体”构象空间[2], [3]。

该方法，研究人员称之为HORNET（holistic RNA structure determination method using atomic force microscopy, unsupervised machine learning and deep neural networks），的主要原理是用AFM解析的RNA拓扑结构来限制RNA构象模型，并进一步通过无监督学习（unsupervised machine learning, UML）和深度神经网络（deep neural network, DNN）来筛选模型并对其准确性进行评估[2], [3]。

HORNET概览[2]。

研究人员用这种方法解析了HIV-1 Rev response element (RRE) RNA和ribonuclease P (RNase P) RNA的构象空间；并基于RRE RNA构象空间设计了与之特异性结合的多肽；以及基于RNase P RNA 3D构象的保守性与其序列的保守性的关联，强调了一级序列“指导”的RNA动态特征[2], [3]。

通过HORNET来解析RNase P RNA的构象空间[3]。

RNase P RNA的3D构象保守性和序列保守性的关联[3]。

基于RRE RNA构象空间来设计与之特异性结合的多肽[2]。

这两项工作的通讯作者是National Cancer Institute的Yun-Xing Wang；2024年12月18日在线发表在Nature[2], [3]。

Comment(s):

结合RNA构象动态特征来设计与之特异性结合的多肽还是非常有意思，这也从另一个角度说明了构象空间的可靠性。

将来或许可以利用类似的理念，结合FISH Painting和3D基因组模型来进一步解析单细胞染色质结构。

参考文献：

[1] M. L. Ken et al., “RNA conformational propensities determine cellular activity.,” Nature, vol. 617, no. 7962, pp. 835–841, May 2023, doi: 10.1038/s41586-023-06080-x.

[2] M. F. S. Degenhardt et al., “Determining structures of RNA conformers using AFM and deep neural networks,” Nature, no. April 2023, Dec. 2024, doi: 10.1038/s41586-024-07559-x.

[3] Y. T. Lee et al., “The conformational space of RNase P RNA in solution,” Nature, no. December 2023, 2024, doi: 10.1038/s41586-024-08336-6.

[4] J. E. J. Johnson, F. E. Reyes, J. T. Polaski, and R. T. Batey, “B12 cofactors directly stabilize an mRNA regulatory switch.,” Nature, vol. 492, no. 7427, pp. 133–137, Dec. 2012, doi: 10.1038/nature11607.

原文链接：

来源：小齐的科学讲堂