2026 年 9 月 3 日，因 CRISPR 拿下诺贝尔奖的 Jennifer Doudna，她参与创立的创新基因组学研究所（IGI）发出一篇新闻稿：Doudna 实验室与 Jamie Cate 实验室合作，在《RNA》期刊发表了一项 RNA 结构预测研究。但点开论文你会发现，这项研究的主角是一个叫 RNASSTR 的数据集，新模型反而只是配角。AlphaFold 改写蛋白质结构预测五年后，RNA 领域等来的第一个里程碑，是一块数据底座。
第一作者 Conner Langeberg 是 IGI 的博士后。故事的起点带着偶然：2024 年 IGI 一场黑客松上，团队做了一个预测 rRNA 突变影响的工具，Langeberg 负责给它策展数据。但黑客松结束后他没有停手，把数据管线从 rRNA 扩展到了 4,000 多个 RNA 家族——细菌、古菌、病毒、真核生物全覆盖，最终长成了 RNASSTR。
蛋白质有的，RNA 都没有
RNA 结构预测为什么落后？先看一组我们实时查到的数字：截至 2026 年 9 月 5 日，PDB 数据库里含蛋白质的条目有 254,159 条，含 RNA 的只有 10,346 条——差约 25 倍。但数据鸿沟只是表象的一层：IGI 新闻稿里提到，RNA 单个残基平均比蛋白质残基大约 3 倍，构象自由度更高，同一条序列还可能有多个稳定结构，标注和建模都更难。
还要先分清两个层次，不然后面的数字会读岔。二级结构（2D）只回答"谁和谁配对"，像一张平面图；三级结构（3D）要回答"在空间里怎么折"，才是立体折纸。AlphaFold 解决的是 3D，而 RNASSTR 服务的是 2D——但 2D 是 3D 的地基，连配对都预测不准，折叠无从谈起。
一块 50 倍大的地基
RNASSTR 的体量：4,170 个 Rfam 注释家族、近 500 万条唯一序列，用 Infernal 从公共数据库挖掘而来。此前深度学习模型最常用的训练集 bpRNA-1m 只有 102,318 条序列、2,588 个家族——RNASSTR 比它大约 50 倍。但比规模更重要的是切分方式：训练集与测试集按家族做防泄漏分割，同源结构不会两边同时出现。在此前的基准里，测试集泄漏让模型分数普遍虚高，这次等于把考场重新校准了。
开放程度也值得一说：数据在 Zenodo 以 CC-BY-4.0 发布，4 个 CSV 共约 6 GB，任何人可免费下载；代码在 GitHub（romanagle/RNASSTR）以 MIT 许可发布，已出 v2.0.0 版本。但有个细节体现了团队的严谨：仓库里代码许可与数据许可（DATA_LICENSE.md）分开存放——数据底座要能被商用再造，许可必须干净。
我们下载了这块地基，量了量
光看论文不够，我们把 Zenodo 上的测试集和验证集（约 370 MB）下载下来做了体检。测试集有 238,972 条序列、609 个家族——光一个测试集，就是 bpRNA-1m 全库的 2.3 倍。序列长度中位数 92 nt，最长 4,997 nt。但分布高度不均：头号家族 ASpks（一种结核分枝杆菌小 RNA）独占 24,295 条，约 10.2%，而 43 个家族在测试集里只有 1 条序列。
体检还发现一个上手才会踩到的坑：CSV 里 base_pairs 列是 1-based 索引，和 structure 点括号串的 0-based 惯例差 1——我们第一版评测把 F1 全算成 0 才定位到它。但换个角度，这类"接缝"正是一个数据集走向通用前必须磨平的地方，我们踩过，读者就不必再踩。
50 倍数据砸下去，平均分反而降了
然后是全文最反直觉的结果。团队用 RNASSTR 从零重训了 SincFold 模型：训练集 F1 冲到 0.983，验证集 F1 却只有 0.420——0.983 对 0.420，这道鸿沟说明模型把训练家族的结构"背"了下来，却不太会外推到没见过的家族。但训练代价也不小：15 个 epoch，每个 epoch 约 64 GPU 小时。
更反直觉的还在后面：重训模型在防泄漏测试集上的全局平均分反而略低于原发布参数——论文原话是 "did not outperform ... globally"，作者自己都说 "striking"。但两件事同时成立：它仍然全面胜过最小自由能基线 RNAfold，而且多个此前数据稀少的 RNA 家族排名显著右移、F1 明显提升。数据的价值没有消失，只是没有体现在平均分上。
我们替你们复测了一把
论文的结论可信吗？我们用 SincFold 的发布权重，在 RNASSTR 测试集里随机抽 200 条做了独立复测（纯 CPU，约 0.4 秒/条）：平均 F1 0.593，中位数 0.661，33% 的序列达到 0.8 以上。但同样有 20 条序列（10%）F1=0——论文里"灾难性失败"的描述，我们原样复现了。
顺带一个观察：SincFold 是论文团队尝试重训的 6 个模型里唯一装得上的，但它不只是"能装"而已——我们的体验是 pip 安装、自带权重、一条命令出结果，能跑起来本身就是一种稀缺的开源品质。
正式版藏了一个新架构
预印本 2025 年 5 月就挂在 bioRxiv 上，但正式版摘要里多了一个预印本没有的名字：Lyra-TransPred。按摘要口径，它在所有受评模型中拿下最高的平均 F1 和 MCC，且每个 epoch 的训练时间大幅缩短。但细节几乎为零——架构、参数量、在哪些家族上赢，摘要都没说，新闻稿里它还处于"正在开发"的状态。
这个"审稿期间长出来的模型"反而透露了领域的真实处境：数据底座就位之后，架构创新才有发力的支点。50 倍数据没有直接抬高旧架构的平均分，但它给出了可靠的考场，新架构一进场就拿到了最高分。
挑刺时间：五个模型的坟墓
论文最诚实的一段，是团队自报的重训失败清单。他们尝试用 RNASSTR 重训 6 个主流开源模型，5 个失败：UFold 输入维度报错、REDfold 重训脚本里有 typo、SPOT-RNA 根本没提供重训脚本、E2Efold 环境依赖无法调和、MXFold2 每个 epoch 要约 270 GPU 小时、贵到不现实。但唯一成功的 SincFold，恰恰也是生态里文档和工程最规整的一个——"开源"与"可重训"之间，隔着一条工程鸿沟。
口径上也有出入值得点出：IGI 新闻稿说重训模型在特定 RNA 类别上 "significantly better"，但论文自己明确写了全局 "did not outperform"——新闻稿淡化了这个反直觉结果。Lyra-TransPred 在新闻稿里是"正在开发"，在正式版摘要里已经带着最高分登场。但好在论文本身足够诚实，失败和反例都摆在了明处。
最后必须再强调一次边界：这项研究的成果是二级结构，离 AlphaFold 级别的 3D 预测还有一层本质距离。但地基的意义恰恰在于此——没有 2D 的可靠考场，3D 的竞赛连起跑线都画不出来。
回到标题的问题：RNA 的 AlphaFold 时刻还差什么？这项研究给出的答案比我们习惯的叙事更朴素——差一块数据底座，而且光砸数据还不够，架构、基准、可重训的开源生态，一个都不能少。但 RNASSTR 至少是第一块合格的砖：50 倍规模、防泄漏分割、CC-BY 免费开放，谁都能接着干。它暴露的问题和它解决的问题一样有价值——0.983 对 0.420 那道鸿沟，就是下一段路的路标。