arXivAI 研究專業

RNADyn：預測與理解 RNA 動態變化的統一基準與 AI 模型

RNADyn: A Unified Benchmark and Model for Predicting RNA Molecular Dynamics

2026/10/032 分鐘閱讀

30 秒看懂

傳統方法常將 RNA 的「軌跡生成」與「動態理解」分開處理，且缺乏標準化的動力學資料。研究團隊推出 RNADynBench 基準，包含 2585 條高質量、100 奈秒（ns）的全原子分子動力學（MD）模擬軌跡。基於此基準，團隊開發了 RNADynNet 模型，使用共享骨幹網路，實現從單一構象同時進行軌跡預測與動態特徵提取。實驗顯示，該模型在預測 RNA 波動（RMSF 相關性達 0.875）上表現優異。

核心重點

推出 RNADynBench 基準

提供 2585 條經過品質控管、長達 100-ns 的全原子分子動力學模擬軌跡，並具備防資料洩漏的劃分方式。

統一的 RNADynNet 架構

採用共享骨幹網路，將全原子軌跡生成與動力學特徵提取整合至單一模型中。

物理限制與對齊

結合座標去噪、單一影格至軌跡對齊與物理約束，顯著提升生成動力學的真實性與物理合理性。

高精度的動態預測

在挑戰性極高的柔性測試集上達到 0.766 至 0.875 的 RMSF 相關性，表現逼近傳統分子動力學模擬。

技術圖解

RNADynNet 工作流程

為什麼重要

RNA 的功能高度依賴其動態結構變化，而非單一靜態結構。然而，傳統分子動力學模擬（MD）需要耗費龐大的計算資源。RNADyn 結合了標準化的分子模擬資料集與統一的 AI 模型架構，使研究人員能夠以極低的計算成本，直接從單一靜態結構精準預測並理解 RNA 的動態行為，這將大幅加速 RNA 藥物研發與結構生物學的研究進程。

對誰有影響

AI 研究人員
AI 開發者

可以怎麼使用

1RNA 藥物研發與標靶識別
2加速分子動力學模擬代理模型

限制與注意事項

軌跡長度限制在 100 奈秒內，可能無法完全捕捉更長尺度的 RNA 折疊或大尺度構象轉變。
模型訓練高度依賴電腦模擬資料，與真實濕實驗中的 RNA 動態可能仍存在一定落差。