核糖核酸（RNA）是生物体系中具有多重功能的重要分子，不仅承担着遗传信息的传递，还参与基因表达调控、催化反应及免疫识别等多种生物学过程。随着合成生物学和基因疗法的快速发展，RNA分子的设计和功能优化需求日益提升。然而RNA序列、二级结构与功能之间存在复杂且非线性的关联，这使得传统的热力学模型和规则基方法在准确预测和设计功能性RNA分子时面临极大挑战。近几年，基于深度学习的生成与预测神经网络技术在RNA分子设计领域崭露头角，借助其强大的特征抽象与模式识别能力，为RNA功能预测与新型序列设计提供了高效且普适的解决方案。理解RNA序列与结构关系的本质是开发高效预测模型和生成算法的核心，最新的研究成果指出同时利用序列信息与二级结构数组输入的神经网络能显著提升功能性预测的准确性。该结构数组创新地采用了基于基础碱基配对潜力的矩阵表示，结合卷积神经网络学习更深层次的结构关联，打破了以往仅依赖于序列信息带来的局限，实现对RNA功能的跨类别通用预测。
通过构建并训练如SANDSTORM（序列和结构联合卷积模型）这样的预测架构，科研人员成功对多样的RNA功能进行了定量预测，包括调控翻译的5′非编码区（5′ UTR）、翻译起始信号RBS（核糖体结合位点）、CRISPR基因编辑工具相关的引导RNA效率，以及合成的toehold开关传感器等。这些模型不仅能够匹配甚至超越当前主流方法的性能，而且大幅降低了参数规模和计算资源消耗，极大提升了应用的可扩展性。预测模型的成功为RNA功能设计提供了基础，但真正实现高性能RNA分子的设计，还需要强大的生成模型予以辅助。生成对抗网络（GAN）凭借其在图像和文本生成领域取得的突破性成果，受到RNA设计领域的广泛关注。基于生成对抗网络原理，科研团队推出了GARDN（生成对抗RNA设计网络）系统，该系统结合了RNA生成器与判别器，能够在保证RNA序列及结构合理性的前提下，生成功能导向的RNA序列。GARDN的设计创新在于其集成了可逆转互补层，这一机制确保生成的toehold开关类RNA能够严格遵守目标的二级结构约束，同时保留必要的序列多样性，实现了结构和功能的完美平衡。
生成模型训练过程中，结合预训练的SANDSTORM预测模型对输出序列功能进行实时评分与优化，有效引导生成器向高性能序列分布收敛。这种联合优化策略不仅提升了序列的实验表现，也避免了传统逆向设计方法中常见的后期手工修正带来的预测失真问题。多样化RNA设计任务的成功实践进一步验证了这种集成方法的优越性。无论是无需严格序列限制的5′ UTR区域设计，还是必须保留核心序列元素的RBS，亦或结构依赖极强的toehold开关调控器，GARDN-SANDSTORM联合框架均展现出强大的适应性和设计能力。特别值得关注的是，通过有限量样本（如384条序列）训练的aptaswitch预测模型与生成模型组合，也实现了在实验数据稀缺条件下的显著性能提升，展现了该方法在疫情快速响应与新RNA器件开发中的广阔应用潜力。实验验证部分，来自GARDN-SANDSTORM优化序列的性能显著优于传统基于热力学原理设计的序列，多组设计样本在细胞表达和体外检测中均体现出更高的活性与折叠正确率。
流式细胞术和荧光分析数据均支持生成模型优化提高了开关RNA的表达水平和动态范围，实现了功能性提升的同时保证了结构的合理性。未来，随着深度学习理论的深入和生物大数据的积累，生成与预测神经网络在RNA设计领域的应用将更加多元和精准。探索更多RNA功能类别的泛化模型、多模态数据融合方法以及长序列与多状态结构预测设计能力，将为RNA生物技术带来革命性突破。此外，模型轻量化和高效推断能力的提升也将进一步促进其实时设计与临床转化。综上所述，融合序列和结构信息的深度学习框架不仅推动了RNA功能预测精度的提高，也通过集成生成对抗网络实现了高质量RNA序列的设计。SANDSTORM与GARDN的相辅相成为分子生物学和合成生物学领域提供了先进且实用的计算工具，助力快速开发出更具功能性、安全性和多样性的RNA器件。
未来，这一策略可望成为RNA设计范式的核心，为基因治疗、病毒检测、基因调控乃至人工生命构建开辟崭新路径。
