RNA靶点难预测？这款多视图模型解锁小分子结合位点识别｜Briefings in Bioinformatics，破解RNA构象多变的现实困境

过去新药研发，大家的目光基本锁定在蛋白质靶点。随着研究推进，RNA的药物开发潜力被逐步挖掘。治疗脊髓性肌萎缩症的利司扑兰成功上市，也实实在在证明RNA可以成为优质的药物作用靶点。

想要开发RNA靶向小分子，首先得找到小分子能够附着的结合区域。靠传统生化实验来找位点，不仅花销大，还要耗费大量时间，并不适合大批量靶点筛选。用计算模型做预判，就成了很实用的替代方案。

但RNA本身十分好动，构象会发生动态变化。现有的不少预测工具，只能抓取RNA某一层面的结构信息，碰到非结合状态、多种构象的RNA时，预测结果往往不尽如人意，这也是行业内一直存在的难题。针对这一问题，中南大学研究团队开发出MVRBind预测工具，相关成果发表于Briefings in Bioinformatics。

模型借助多视图学习思路，把RNA序列、二级、三级结构的信息整合到一起，融合不同尺度的特征，完成结合位点识别。研究设置了多套测试数据集，覆盖结合态、非结合态、多构象RNA，同时利用HARIBOSS数据集验证模型的泛化能力。

在结合态RNA测试集Test18中，MVRBind各项表现超过其他对比算法。对比最优基线，马修斯相关系数提升26.7%，就算局部结构错综复杂，也可以分清哪些核苷酸是结合位点，哪些不是。

图1. MVRBind模型整体框架

现实科研工作里，很多时候拿到的是非结合态RNA结构。在该测试集上，模型的精确率、马修斯相关系数、AUC均为最佳。即便出现非结合位点被大量结合位点包围的棘手情况，依旧可以找准完整的结合口袋。面对多构象RNA，模型全部指标同样优于对比算法，可以适应RNA本身的构象波动。

图2. Test18与非结合态测试集RNA小分子结合位点预测结果可视化

很多RNA没有解析出实验三维结构，需要依靠软件进行预测。研究拿RNAcomposer、AlphaFold3输出的结构开展测试，只要核心二级结构不被破坏，哪怕三维结构存在一定偏差，预测结果依旧稳定。在HARIBOSS多组验证中，模型AUC持续领先基线。选用利司扑兰的靶点SMN2前体mRNA做案例，模型准确定位药物发挥作用的凸起环，对药物机制解读和分子改造有参考意义。

图3. 利司扑兰结合位点预测结果可视化

总的来看，MVRBind充分挖掘RNA多层次结构信息，适配多种RNA状态，也兼容软件预测的三维结构。它为RNA小分子结合位点分析提供新的计算手段，助力RNA靶向小分子筛选，服务RNA药物研发工作。（生物谷Bioon.com）

参考文献：

Chen S, Huang Z, Wang Y, et al. MVRBind: multi-view learning for RNA-small molecule binding site prediction. Brief Bioinform. 2025;26(5):bbaf489. doi:10.1093/bib/bbaf489