通过细胞的 3D 生物大分子和人工智能技术的学习，RNA 的 Tertiary 结构建模是一个关键问题，该研究展示了该模型的有效性，有望在 RNA 的设计方面提供更大的帮助。

Jan, 2023

通过将人类设计策略与机器学习相融合，我们提出了一种名为 SentRNA 的新型 RNA 设计算法，该算法使用全连接神经网络进行端到端训练，可以解决以前无法通过任何基于机器的方法解决的复杂问题，并在两个具有挑战性的测试集上实现了最新技术水平的性能。

Mar, 2018

本文提出了一种基于能量的蛋白质构象模型，该模型适用于原子尺度。该模型仅使用晶化蛋白质数据进行训练，在旋转体恢复任务中实现了接近 Rosetta 能量函数的表现，并捕获了与蛋白质能量有关的物理化学性质。

Apr, 2020

使用 Miyazawa-Jernigan 模型在量子计算机上实现晶格蛋白折叠模型，为研究生物物理学和统计力学中的优化问题开辟了新的途径。

Apr, 2012

本文提出了 gRNAde，这是一个几何 RNA 设计流程，它基于一组 3D RNA 主干结构操作，以显式考虑和反映 RNA 弯曲多样性来进行设计，可以改善多状态和结构多样的 RNAs 的生产。

May, 2023

RNAFlow 是一种基于流动匹配模型的蛋白质条件下的 RNA 序列结构设计方法，通过集成 RNA 逆折叠模型和预训练的 RosettaFold2NA 网络生成 RNA 序列和结构，利用条件化的结构去噪网络简化了训练过程，并通过推断的构象集合对逆折叠模型进行增强，从而模拟动态的 RNA 构象。在蛋白质条件下的 RNA 结构和序列生成任务的评估中，证明了 RNAFlow 相对于现有 RNA 设计方法的优势。

May, 2024

我们提出了一种端到端的深度学习模型 E2Efold，用于 RNA 二级结构预测，可以有效地考虑问题中的固有约束，并通过约束规划的未卷积算法作为深度结构的模板强制实施约束，全面实验表明，E2Efold 具有优越的性能：相对于之前的 SOTA，特别是对于伪结节数量结构的预测具有显著的改进，同时推断时间也不会慢于最快的算法。

Feb, 2020

我们引入了一种新颖的全卷积神经网络 (FCN) 结构，用于预测核糖核酸 (RNA) 分子的二级结构。通过将 RNA 结构解释为加权图，我们利用深度学习来估计核苷酸残基之间的配对概率。与我们的模型独特的是其拥有的大型 11-pixel 卷积核，我们认为在 RNA 二级结构领域上，这为 FCN 带来了明显的优势。在由 1,305 种分子组成的广泛采用的标准测试集上，我们的方法的准确率超过了当前最先进的二级结构预测软件，整体结构的 Matthews 相关系数 (MCC) 比其他主要方法高出 11-40%，而特别是拟结对结构，高出 58-400%。

Jun, 2024

通过 rnaglib，我们使用 RNA 3D 结构数据集训练监督和无监督的机器学习模型来预测功能。

Feb, 2024

本文介绍了使用最新算法 RNAiFold 设计生成的十种手锤式核酸酶以及一种更大人工核酸结构的组装体，利用动力学分析显示出它们的裂解速率与靶位氨基酸比熵，集团缺陷，结构灵活性 / 刚性等有关。这是有史以来第一次完全计算设计和实验验证新型功能核酸酶。

Aug, 2014