중국, RNA 구조 예측 도구와 학습 데이터 2,100만 쌍 공개…structRFM 모델 오픈

RNA 염기와 그 연결 관계를 학습하는 모델

중국과학기술대 연구진이 RNA 염기서열과 컴퓨터로 주석을 단 구조 2,100만 쌍으로 학습한 오픈 RNA 파운데이션 모델 structRFM을 공개했다. 이번 공개에는 짝을 이룬 학습 데이터, 모델 가중치와 소스 코드가 포함돼 있어 다른 연구실에서도 연구를 재현하고 시스템을 응용할 수 있다.

Nature가 2026년 11월 4일 발표한 이 연구는 RNA의 분자 구성 요소가 배열된 순서와 RNA가 접히는 데 관여하는 연결 관계를 모두 학습하는 모델을 소개한다. 3차원 구조 예측에 맞게 조정한 Zfold는 CASP15-natural, CASP16, RNA-Puzzles 평가에서 AlphaFold3에 필적하는 성능을 보였다고 연구진은 밝혔다.

이 모델의 실용적 장점은 학습을 마친 뒤 RNA 염기서열만 입력하면 된다는 점이다. 분자 구조 예측, RNA 처리에 관여하는 부위 식별, 기능에 따른 RNA 분류 등 여러 작업에 연구자들이 활용할 수 있는 정보를 생성한다.

Nature에 게재된 structRFM 연구 논문은 구조 정보를 다양한 예측 작업에 활용할 수 있는 방법으로 이번 연구를 제시한다. 교신저자는 펑슝과 S. 케빈 저우이며, 제1저자는 허친 주다.

염기서열만큼 접힘이 중요한 이유

RNA는 단백질 생성, 유전자 조절, 유전 정보 전달 물질의 처리에 관여한다. RNA 염기서열은 뉴클레오타이드가 배열된 순서로, 이 분자 단위는 흔히 A, U, C, G로 표기된다. 배열 순서에 정보가 담겨 있으며, RNA가 접히는 방식은 기능에도 영향을 준다.

RNA 가닥의 일부는 같은 가닥의 다른 부분과 짝을 이룰 수 있다. 이러한 연결은 짝을 이룬 영역과 줄기, 고리로 이뤄진 패턴인 2차 구조를 만든다. 이어 RNA는 3차 구조라고 불리는 3차원 형태로 접히며, 이 형태는 RNA의 활성과 다른 분자와의 상호작용에 영향을 미친다.

많은 RNA 언어 모델은 언어 모델이 단어 간 관계를 학습하듯 대규모 염기서열 모음에서 패턴을 학습한다. structRFM은 학습 과정에 어떤 뉴클레오타이드끼리 짝을 이루는지에 관한 정보를 더해, 염기서열상 멀리 떨어진 위치 사이의 연결 관계도 학습하도록 했다.

연구진은 폭넓게 학습된 시스템의 특징을 다양한 목적에 맞게 조정할 수 있는 파운데이션 모델의 유연성을 유지하고자 했다. 목표는 하나의 구조 작업에만 쓰이는 시스템을 학습하는 대신, 여러 작업에 공통으로 활용할 기반에 접힘 정보를 포함하는 것이었다.

학습용 염기서열·구조 2,100만 쌍의 구축

연구진은 RNA 염기서열과 2차 구조가 짝을 이룬 데이터 약 2,100만 건을 구축했다. 구조 주석은 컴퓨터로 생성했다. 이에 따라 실험실에서 구조를 규명한 자료만으로 구성된 데이터 모음보다 훨씬 큰 규모로 학습할 수 있었다.

컴퓨터 예측에는 오류가 있을 수 있고, 예측에 사용한 방법의 강점과 약점이 반영될 수 있다. 단일 예측기에 대한 의존을 줄이기 위해 연구진은 여러 출처의 2차 구조를 결합하는 앙상블인 MUSES를 도입했다. 앙상블은 한 가지 출처에 전적으로 의존하지 않고 여러 예측 출처의 정보를 결합한다.

MUSES는 예측 구조를 바탕으로 모델을 학습시킬 때 생기는 핵심 문제를 다룬다. 학습용 주석에서 같은 오류가 반복되면 모델이 학습하는 내용에도 영향을 줄 수 있다. 구조 예측을 결합한 것은 염기쌍에 관한 유용한 정보를 유지하면서 예측기 편향을 줄이기 위해서다.

연구진은 RNAcentral, Rfam, Protein Data Bank 등 잘 알려진 생물학 데이터베이스를 학습과 평가 자료에 활용했다. 데이터 이용 현황에는 RNAcentral 버전 24.0, Rfam 버전 14.10과 15.0 등 관련 데이터베이스 버전이 명시돼 있어 연구자들이 실험에 사용된 자료를 추적할 수 있다.

숨겨진 정보를 이용한 모델 학습

structRFM은 입력의 일부를 가리고 주변 맥락을 바탕으로 누락된 정보를 복원하도록 모델을 학습하는 방식인 마스크 언어 모델링을 사용한다. RNA의 경우 단어가 아니라 뉴클레오타이드 사이의 관계를 학습한다.

연구진은 염기쌍 매칭 연산을 통해 염기쌍 정보를 이 과정에 반영했다. 동적 마스킹 비율을 적용해 구조적 연결 관계에 따른 학습과 개별 뉴클레오타이드 위치를 가리는 학습 간 균형을 맞췄다. 이를 통해 모델은 국소적인 염기서열 패턴과 접힘과 관련된 관계를 모두 학습할 수 있다.

모델은 세 종류의 특징을 제공한다. 염기서열 전체에 관한 정보, 각 뉴클레오타이드에 관한 정보, 뉴클레오타이드 쌍에 관한 정보다. 특징은 다른 예측 시스템이 활용할 수 있는 수치 표현이다. 작업에 따라 이 표현의 서로 다른 수준을 사용할 수 있다.

연구진은 모델의 일부를 제거하거나 바꿔 기여도를 검증하는 절제 실험도 수행했다. 실험 결과는 구조 정보와 마스킹 전략이 보고된 성능 향상에 각각 기여했다는 점을 뒷받침하며, structRFM의 설계 선택에 근거를 더했다.

구조 평가 결과

structRFM은 제로샷 상동성 분류에서 우수한 성능을 보였다. 상동성은 공통된 진화적 기원에서 비롯된 관계를 뜻한다. 이 평가에서는 특정 분류 작업을 대상으로 별도 학습하지 않은 상태에서 학습된 표현이 이러한 관계를 인식하는 데 얼마나 유용한지 살펴본다.

연구진은 2차 구조 예측이 개선됐으며, 새로 공개된 RNA 계열에서도 높은 성능을 보였다고 밝혔다. RNA 계열은 염기서열 또는 구조적 특징을 공유하는 관련 분자들을 묶은 것이다. 새로 공개된 계열을 대상으로 한 평가는 기존 데이터셋에 포함된 익숙한 그룹을 넘어 모델이 얼마나 잘 작동하는지 살펴본다.

3차 구조 예측을 위해 연구진은 structRFM이 학습한 특징을 3차원 형태 예측 모델에 적용해 Zfold를 개발했다. 연구진은 예측된 형태와 해당 예측에서 추출한 2차 구조 모두 개선됐다고 보고했다.

Zfold는 분자 구조 예측을 평가하는 벤치마크 모음인 CASP15-natural, CASP16, RNA-Puzzles에서 평가됐다. 논문은 이 평가 전반에서 Zfold의 성능이 AlphaFold3에 필적한다고 설명한다. 이 비교는 명시된 벤치마크에서의 Zfold 결과에 관한 것이며, 기반이 되는 RNA 표현은 structRFM이 제공한다.

이번 연구는 모든 용도를 포괄하는 단일 정확도 점수 대신 여러 종류의 성과를 제시한다. 관련 염기서열 인식, 염기쌍 예측, 3차원 형태 복원은 서로 다른 문제이며, 각각 별도의 평가가 필요하다.

RNA 처리부터 기능 분류까지

structRFM은 RNA의 기능을 다루는 작업에서도 평가됐다. 평가에는 스플라이스 부위 예측, 내부 리보솜 진입 부위 식별, 비암호화 RNA 분류가 포함돼 분자 형태를 넘어선 성능을 살폈다.

스플라이스 부위는 세포가 RNA 메시지를 처리할 때 사용하는 경계를 표시한다. 스플라이싱 과정에서 특정 구간을 제거하고 나머지 부분을 이어 붙인다. 이러한 경계를 예측하면 유전 정보 전달 물질이 단백질 생성에 사용되기 전에 어떻게 조립되는지 연구할 수 있다.

내부 리보솜 진입 부위, 즉 IRES 요소는 단백질 생성에 관여하는 세포 기구가 내부에서 번역을 시작할 수 있게 하는 RNA 영역이다. 이를 식별하려면 염기서열 내 기능적 패턴을 인식해야 하므로, 사전 학습 과정에서 포착한 정보가 유용한지 보여주는 또 다른 평가 과제다.

비암호화 RNA는 단백질 생성의 주형 역할 이외의 기능을 수행한다. 비암호화 RNA 분류는 분자를 관련 그룹에 배정하는 작업이다. 연구진은 이러한 기능 과제 전반에서 성능이 개선됐다고 보고했다. 이는 예측 대상이 구조에서 생물학적 역할로 바뀌어도 학습된 표현이 유용하게 작동했음을 보여준다.

연구진은 분할 전략을 적용해 긴 비암호화 RNA 분류까지 모델을 확장했다. 긴 염기서열을 구간별로 나누면 한 번에 처리하기 어려운 입력에도 모델을 적용할 수 있다.

연구자에게 공개되는 자료

이번 공개에는 용도가 서로 다른 세 가지 자료가 포함된다. 데이터셋은 학습에 사용된 사례를 제공한다. 모델 가중치에는 학습 과정에서 얻은 수치가 담겨 있다. 소스 코드는 소프트웨어의 구현과 실행 방법을 보여준다.

가중치에 접근하면 사전 학습을 처음부터 반복하지 않고 이미 학습된 모델을 활용할 수 있다. 데이터와 코드에 접근하면 학습 절차를 면밀히 검토하고, 실험을 재현하며, 다른 접근법을 개발할 수 있다.

논문은 프로젝트 저장소가 GitHub의 heqin-zhu/structRFM이라고 명시한다. 사전 학습 데이터셋은 DOI 10.5281/zenodo.18272040으로, 소스 코드와 모델 체크포인트는 DOI 10.5281/zenodo.18274292로 Zenodo에 보관했다고 밝혔다. DOI는 연구 자료를 장기간 추적할 수 있도록 부여하는 영구 식별자다.

데이터 이용 현황에 따르면 학습 및 테스트 데이터셋은 프로젝트 저장소를 통해 공개돼 있다. 연구에 사용된 처리 완료 IRES 데이터 분할과 그림의 기반이 된 원자료도 제공한다. 저자들은 데이터 이용에 별도의 제한이 없다고 밝혔다.

이러한 정보는 결과 비교에 중요하다. 연구자들은 사용된 데이터셋과 분할 방식을 확인하고, 평가를 다시 수행하며, 학습 방식을 바꿨을 때 결과가 달라지는지 시험할 수 있다. 따라서 이번 공개는 모델의 재사용뿐 아니라 연구 결과 검토도 뒷받침한다.

연구진과 발표 일정

이번 연구는 중국과학기술대 의생명공학부와 의료영상·로보틱스·분석컴퓨팅·학습 연구실(MIRACLE)을 중심으로 진행됐다. 저자들은 허페이와 중국과학기술대 쑤저우 고등연구원의 소속을 명시했다. 공동저자 리루이펑은 항저우에 있는 저장대 컴퓨터과학기술학원 소속이다.

교수 저우와 특별연구원 슝이 연구를 구상하고 총괄했다. 주는 프레임워크를 설계·구현하고 사전 학습과 여러 구조 예측 및 RNA 분류 실험을 수행했으며 결과를 분석했다. 다른 연구진은 상동성 평가, 데이터셋 비교, IRES 식별, 구조 평가를 담당했다.

논문 발표와 연구 공개는 이틀에 걸쳐 이뤄졌다.

• 2026년 11월 4일: Nature가 「일반화 가능한 예측을 위한 오픈 구조 유도 RNA 파운데이션 모델」의 게재일을 명시했다.
• 2026년 11월 5일: 연구와 오픈 공개가 중국에서 알려졌으며, 온라인 논문은 이른 아침에 게재된 것으로 소개됐다.

저자들은 중국 국가자연과학기금, 국가중점연구개발계획, 장쑤성과 쑤저우시 연구 프로그램, 선전시 산밍의료사업의 지원을 받았다고 밝혔다. 이해 상충은 없다고 신고했다.

RNA 연구에 미치는 영향

structRFM은 여러 연구 활동의 공통 출발점을 제공한다. RNA 처리 연구실은 다른 연구팀이 접힘을 연구하거나 비암호화 분자를 분류할 때 사용하는 것과 같은 기반 모델을 조정해 활용할 수 있다. 다만 각 응용에는 여전히 별도의 과제별 개발과 평가가 필요하다.

학습 쌍 2,100만 건, 구조 유도 학습, 공개된 체크포인트를 통해 연구자들은 알고리즘 설명에 그치지 않고 구체적인 시스템을 직접 살펴볼 수 있다. MUSES와 마스킹 실험은 다른 연구팀이 시험하거나 수정할 수 있는 구체적인 설계 선택지도 제시한다.

보고된 결과는 계산 기반 예측과 분류에 초점을 둔다. 생의학 응용으로 나아가려면 예측 구조를 확인하고 특정 RNA 분자에 부여한 기능을 검증하는 등 추가적인 생물학 실험이 필요하다.

논문은 임상 적용 일정을 제시하지 않았다. 당장의 변화는 접근성이다. 전 세계 연구자들은 학습 자료를 확보하고, 구현을 살펴보며, 보고된 성능 향상이 자체 RNA 데이터셋에서도 나타나는지 검토할 수 있다.

핵심 내용

• 중국과학기술대 연구진이 염기서열과 2차 구조 쌍 약 2,100만 건으로 학습한 RNA 파운데이션 모델 structRFM을 공개했다.
• 이 모델은 염기서열 패턴과 염기쌍 관계를 학습하고, 염기서열만 입력받아 특징을 생성한다.
• MUSES는 여러 구조 예측 출처를 결합하며, 동적 마스킹은 학습 과정에서 구조 정보와 뉴클레오타이드 정보 간 균형을 맞춘다.
• 연구진은 상동성 분류에서 우수한 성능을, 2차 구조 예측에서 개선된 성능을 보고했다. 새로 공개된 RNA 계열을 대상으로 한 평가도 포함됐다.
• 3차 구조 예측용으로 조정한 Zfold는 명시된 세 가지 벤치마크에서 AlphaFold3에 필적하는 성능을 보였다.
• 데이터셋, 모델 가중치, 소스 코드와 평가 자료를 공개해 재사용과 연구 재현을 지원한다.