基于人工智能的RNA药物开发展望

闫伊琳; 吴天宇; 李洪林; 唐漾; 钱锋

doi:10.1016/j.eng.2025.06.029

工程（英文） ›› 2025, Vol. 55 ›› Issue (12) : 21 -23. DOI: 10.1016/j.eng.2025.06.029

观点述评

基于人工智能的RNA药物开发展望

闫伊琳 ^a^,^b ,
吴天宇 ^a^,^b ,
李洪林 ^c ,
唐漾 ^a^,^b ,
钱锋 ^a^,^b

作者信息 +

The Future of AI-Driven RNA Drug Development

Supervision. Yang Tang: Writing-review ^a^,^b

Author information +

文章历史 +

PDF (2028K)

引用本文

引用格式 ▾

闫伊琳,吴天宇,李洪林,唐漾,钱锋. 基于人工智能的RNA药物开发展望[J]. 工程（英文）, 2025, 55(12): 21-23 DOI:10.1016/j.eng.2025.06.029

登录浏览全文

4963

注册一个新账户忘记密码

“一个孩子一生只需要注射一次由脂质纳米颗粒包裹的mRNA疫苗即可预防多种类型的疾病。”2023年诺贝尔生理学或医学奖[1]得主Drew Weissman教授在接受《福布斯》杂志采访时，如此描述信使RNA（mRNA）疗法的潜力[2]。2024年，诺贝尔奖被再度授予RNA研究者Victor Ambros与Gary Ruvkun，以表彰他们发现微小RNA及其在转录后基因调控中的作用[3]。这一成就进一步印证了RNA疗法在21世纪医疗健康领域的变革性潜力。近年来，RNA药物在代谢疾病、肿瘤学和预防性疫苗等领域的药物开发中取得了诸多进展，包括《自然》[4]和《科学》[5]在内的知名期刊已广泛报道了相关创新成果与方法。RNA药物的成功具有高度可预见性[图1（a）]，这是因为相较于传统药物的开发，RNA药物具有更高的成功率（例如，Alnylam Pharmaceuticals公司宣称，RNA干扰药物从临床Ⅰ期到Ⅲ期的累计转化成功率达64.4% [6]，而传统药物仅为5%~7%）、更短的发现周期（通常为数月，而传统药物则需数年）以及更低的成本。尽管RNA药物具有这些令人振奋的优势，但成簇规律间隔短回文重复序列（CRISPR）[7]等实验技术以及RNA测序[8]等计算方法，仍然不足以满足RNA药物速度和多样性的需求，亟须采用创新技术来推动该领域的发展。

得益于并行计算以及大规模数据的完善，人工智能（AI）展现出推动RNA药物发展的巨大潜力。这些进展能为识别创新药物候选分子[9]以及引入药物验证的在线模拟开辟新的机遇。AI在生物信息学[10]领域的成功应用，如AlphaFold [11]和ESMFold [12]等模型所展现出的高性能与高准确性，进一步彰显了AI的变革性影响。大量里程碑式的结果表明，AI主要借助数据驱动、学习策略驱动以及深度学习驱动的方法，推动药物设计、性质预测及其他关键领域取得重大进展。首先，数据驱动的方法是基础，它利用大规模数据集和规律挖掘技术，提取RNA分子与其结构或生物学功能之间有意义的模式和关系，从而促进分子结构优化至理想构象[13]。其次，学习策略驱动的方法采用各种显式干预技术（如因果推断[14]和强化学习[15]）来进一步优化决策过程，从而能够根据人类需求识别和筛选特定药物，实现从数据分析向主动适应的跨越。再次，在深度学习驱动的方法（代表更高水平的复杂性与自动化）中，以大语言模型（如ChatGPT [16]）为代表的突破彻底改变了对长链RNA序列的分析方式[17]，而扩散模型等生成式模型则支持功能性RNA的从头设计[18]。

AI驱动的方法使研究人员能够系统地探索新型RNA结构、识别有前景的药物候选分子，并加速药物发现的整个流程。近期生成式AI的进展已使得RNA疫苗的设计成为可能，由GEMORNA算法生成的mRNA，在相同剂量水平下诱导产生的抗体反应显著强于BNT162b2疫苗[19]。然而，现有技术主要针对特定任务，未能提供对药物分子相互作用的整体性理解。这些局限性阻碍了AI在药物开发中的更广泛应用，尤其是制约了在线交互方式系统的开发，这类系统能够在快速设计有效疗法的同时满足个体患者的特定需求。要克服这些挑战，需要更深入地探索如何将AI融入RNA药物开发的每一个工作流程之中。

未来，AI驱动的RNA药物开发可能形成的简化工作流程[图1（b）]将依赖一个基于软件的交互式系统，该系统的设计目标是克服当前方法中单任务模型的局限性以及分子分析视角狭隘的问题。该工作流程包含两个关键反馈环路：一个是内部环路（以黑色边框箭头表示），侧重基于平台的设计，以提升AI模型的性能；另一个是外部环路（以无边框箭头表示），通过整合真实世界数据来持续优化药物开发过程。内部环路始于RNA数据的全面数字化，这些数据随后被用于设计个性化药物候选分子，接着进行药物评估、自动化药物合成以及用于初步临床验证的生物学实验。筛选出的药物候选分子与合适的递送系统进行匹配，随后进入在线模拟环节，以便早期观察其在人体内的递送动态、药物作用及降解过程，同时实现实时协作与反馈整合。整个工作流程将被集成于一个交互式平台中，使研究人员能够与AI系统无缝协作，从而提高效率与适应性。基于这一未来工作流程的特点，近期已确定了若干具有挑战性的研究课题。

（1）高分辨率分子全面可视化。由于结构数据的稀缺，当前的分子分析难以捕捉RNA的完整状态，这限制了对其相互作用的认知。通过整合虚拟现实等高分辨率三维可视化技术与Mamba [20]等AI驱动模型，研究人员可以模拟实时的RNA-靶标相互作用，并深入了解RNA的结构及其动态变化。借助这些进展，可以建立起一个全面的RNA数字可视化模型，从而为RNA结构及其在生物过程中的行为提供更完整、更具交互性的呈现。

（2）个性化RNA药物发现。对个性化RNA药物的需求源于需要根据个体基因特征定制治疗方案，以提高疗效并减少副作用。采用基于条件采样和扩散技术的生成模型，可以通过整合患者特异性数据来调整RNA序列。随后，强化学习与自适应模型能够以特定突变为靶点，在确保分子稳定性的同时最大限度降低脱靶效应，从而对这些分子进行优化，进而实现高度个性化的治疗。

（3）可编辑RNA生成平台。交互式RNA生成平台利用ChatGPT [16]等先进AI模型，促进RNA设计中的人机实时协作。通过整合这些能力，该平台使研究人员能够基于稳定性、靶点特异性等标准，生成、优化和编辑RNA序列，从而为RNA药物开发带来更高的便利性和更出色的精确度。

AI驱动的RNA药物开发所带来的显著经济与社会效益，源于全面的数字化、个性化方法，实时交互性以及最终集成于统一的软件平台[21]。AI驱动的自动化减少了劳动密集型任务，使得更快速、更准确地识别RNA靶点成为可能；这不仅能节约成本，还能加速RNA疗法的测试，显著缩短新药上市所需的时间。随着该平台实现产业化规模应用，通过优化且可重复的流程，可确保药物质量的稳定并提高成本效益。累积效应将形成一种更具可持续性和经济性的开发模式，带来广泛的益处——包括但不限于降低医疗成本以及扩大个性化治疗的可及性。

本文构想了一个未来AI驱动的RNA药物开发的潜在工作流程，该流程中的集成平台能够实现实时数据共享，为定制化药物设计提供基于云端的编辑功能，并促进药物作用过程的在线模拟。我们希望这一展望能够有助于塑造AI驱动的RNA药物开发范式的思维方式。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Nobel Prize in Physiology or Medicine 2023 [Internet]. Stockholm: The Nobel Foundation; [cited 2024 Nov 23]. Available from:

[2]	Eckhardt J. Nobel winner Drew Weissman shares 7 insights on future mRNA breakthroughs [Internet]. Jersey City: Forbes Media LLC; 2023 Nov 16 [cited 2024 Oct 18]. Available from:

[3]	Nobel Prize in Physiology or Medicine 2024 [Internet]. Stockholm: The Nobel Foundation; [cited 2024 Nov 23]. Available from:

[4]	Abio B. Why rings of RNA could be the next blockbuster drug. Nature 2023;622:22‒4. . 10.1038/d41586-023-03058-7

[5]	Sullenger BA, Nair S. From the RNA world to the clinic. Science 2016;352(6292):1417‒20. . 10.1126/science.aad8709

[6]	Alnylam Pharmaceuticals reports second quarter 2024 financial results and highlights recent period activity [Internet]. San Francisco: Business Wire, Inc.; 2024 Aug 1 [cited 2024 Oct 18]. Available from:

[7]	Pacesa M, Pelea O, Jinek M. Past, present, and future of CRISPR genome editing technologies. Cell 2024;187(5):1076‒100. . 10.1016/j.cell.2024.01.042

[8]	Tirosh I, Suva ML. Cancer cell states: lessons from ten years of single-cell RNA-sequencing of human tumors. Cancer Cell 2024;42(9):1497‒506. . 10.1016/j.ccell.2024.08.005

[9]	Wu T, Zhou M, Zou J, Chen Q, Qian F, Kurths J, et al. AI-guided few-shot inverse design of HDP-mimicking polymers against drug-resistant bacteria. Nat Commun 2024;15:6288. . 10.1038/s41467-024-50533-4

[10]	Diao Y, Liu D, Ge H, Zhang R, Jiang K, Bao R, et al. Macrocyclization of linear molecules by deep learning to facilitate macrocyclic drug candidates discovery. Nat Commun 2023;14:4552. . 10.1038/s41467-023-40219-8

[11]	Jumper J, Evans R, Pritzel A, Green T, Figurnov M, Ronneberger O, et al. Highly accurate protein structure prediction with AlphaFold. Nature 2021;596(7873):583‒9. . 10.1038/s41586-021-03819-2

[12]	Lin Z, Akin H, Rao R, Hie B, Zhu Z, Lu W, et al. Evolutionary-scale prediction of atomic-level protein structure with a language model. Science 2023;379(6637):1123‒30. . 10.1126/science.ade2574

[13]	Lu M, Yin J, Zhu Q, Lin G, Mou M, Liu F, et al. Artificial intelligence in pharmaceutical sciences. Engineering 2023;27:37‒69. . 10.1016/j.eng.2023.01.014

[14]

Strobl E. Root causal inference from single cell RNA sequencing with the negative binomial. In: Proceedings of the 14th ACM International Conference on Bioinformatics, Computational Biology, and Health Informatics; 2023 Sep 3‒6; Houston, TX, USA. New York City: Association for Computing Machinery; 2023. p. 15. . 10.1145/3584371.3612972

[15]	Mahmud M, Kaiser MS, Hussain A, Vassanelli S. Applications of deep learning and reinforcement learning to biological data. IEEE Trans Neural Netw Learn Syst 2018;29(6):2063‒79. . 10.1109/tnnls.2018.2790388

[16]	Wu T, He S, Liu J, Sun S, Liu K, Han QL, et al. A brief overview of ChatGPT: the history, status quo and potential future development. IEEE/CAA J Autom Sin 2023;10(5):1122‒36. . 10.1109/jas.2023.123618

[17]	Wang N, Bian J, Li Y, Li X, Mumtaz S, Kong L, et al. Multi-purpose RNA language modelling with motif-aware pretraining and type-guided fine-tuning. Nat Mach Intell 2024;6(5):548‒57. . 10.1038/s42256-024-00836-4

[18]	Sumi S, Hamada M, Saito H. Deep generative design of RNA family sequences. Nat Methods 2024;21(3):435‒43. . 10.1038/s41592-023-02148-8

[19]	Zhang H, Liu H, Xu Y, Liu Y, Wang J, Qin Y, et al. Deep generative models generate mRNA sequences with enhanced translation capacity and stability. 2024. bioRxiv: 2024.06.20.599727. . 10.1126/science.adr8470

[20]	Gu A, Dao T. Mamba: linear-time sequence modeling with selective state spaces. 2023. arXiv:

[21]	Sato K, Hamada M. Recent trends in RNA informatics: a revie w of machine learning and deep learning for RNA secondary structure predicti on and RNA drug discovery. Brief Bioinform 2023;24(4):bbad186. . 10.1093/bib/bbad186