介绍HORNET，一种将序列和3D拓扑结构相关联的新型RNA结构可视化方法

国家癌症研究所的研究人员开发了一种称为HORNET的方法，用于表征大型柔性RNA分子的3D拓扑结构。科学家们使用原子力显微镜（AFM）与深度神经网络和无监督机器学习来捕捉生理条件下的个体构象

人类RNA转录有对生物功能至关重要的结构元件。用冷冻电子显微镜等传统方法理解这些结构取决于高度均匀的样品和信号平均。大的、灵活的、异质的RNA通常很难分析，因为它们在溶液中一次就采用了多种构象

不存在将序列与3D拓扑结构相关的大型RNA结构数据库。像AlphaFold这样成功的以蛋白质为中心的方法仍然无法用于RNA，这在结构生物学中造成了一个关键的空白。RNA特异性深度学习方法的普遍缺失可能反映了捕获可靠结构模型的挑战

在《自然》杂志发表的“使用AFM和深度神经网络确定RNA构象的结构”研究中，科学家介绍了HORNET，并详细介绍了其检测以前隐藏的大型灵活RNA结构特征的突破性能力

研究人员收集了不同构象的基准RNA的单分子AFM图像。然后应用无监督机器学习和深度神经网络来关联分子拓扑和能量分布

构象C0的前20种构象的视频，估计不确定度为2.7-3.8Å；平均值=3.3Å。来源：《自然》（2024）。DOI:10.1038/41586-024-07559-x

该系统在涵盖广泛RNA折叠的伪结构数据库上进行了训练，并在长度超过200个核苷酸的多种RNA（RNase p RNA、钴胺素核糖开关、II组内含子和HIV-1 Rev反应元件RNA）上进行了测试。使用了不同的初始模型，包括从小角度X射线散射数据中得出的预测结构和构象

测试案例表明，HORNET准确地重建了单个RNA的构象，均方根偏差（计算出的结构与参考物对齐程度的度量）经常低于7Å阈值，该阈值被广泛用于确认大RNA中的主要结构特征

使用模拟和实验AFM图像的基准实验证实了将先前建立的约束和AFM伪势相结合的可靠性

验证表明，在单分子水平上可以观察到不同的RNase p RNA和HIV-1 Rev反应元件RNA构象。深度神经网络的估计精度与已知结构的实际距离相一致

HORNET通过提供一种全面、直接的方法来检查以前难以捉摸的RNA结构，解决了RNA结构生物学中的一个重大挑战，对未来在多个临床、制药和生物技术应用中的研究具有深远的意义 More information: Maximilia F. S. Degenhardt et al, Determining structures of RNA conformers using AFM and deep neural networks, Nature (2024). DOI: 10.1038/s41586-024-07559-x

Journal information: Nature