Ein Forscherteam der Virginia Tech hat ein neues KI-Modell namens RNAbpFlow entwickelt, das die Vorhersage der dreidimensionalen RNA-Strukturen vorantreiben soll. Die Ergebnisse wurden im Fachjournal Nature Methods veröffentlicht. Das von Erstautor Sumi Tarafder und Professor Debswapna Bhattacharya geleitete Projekt positioniert sich als direkter Konkurrent zu AlphaFold 3 von Google DeepMind. In einem blinden Benchmark-Test erzielte RNAbpFlow bei vierzehn RNA-Zielstrukturen zwölf korrekte Vorhersagen, während AlphaFold 3 nur acht korrekt abbildete. Der entscheidende technische Vorteil liegt in der deutlich geringeren Abhängigkeit von Trainingsdaten. Im Gegensatz zu etablierten AlphaFold-Ansätzen, die auf umfangreichen evolutionären Sequenzdatenbanken basieren, nutzt RNAbpFlow ein als Flow-Matching bekanntes Verfahren aus dem Bereich der generativen KI. Das Modell erzeugt komplette atomare 3D-Strukturen in einem einzigen Durchgang, beginnend mit statistischem Rauschen, das durch vorgegebene Basenpaarungen schrittweise zur korrekten Faltung geleitet wird. Dieser Ansatz verzichtet vollständig auf homologe Sequenzsammlungen, die für RNA-Moleküle historisch kaum verfügbar waren. Dadurch gewinnt das System nicht nur an Präzision, sondern kann zudem mehrere strukturelle Konformationen generieren, um die inhärente Flexibilität von RNA realistisch abzubilden. Die pharmazeutische Relevanz dieser Entwicklung ist erheblich. Zahlreiche schwere Erkrankungen, darunter spinale Muskelatrophie, die Huntington-Krankheit und bestimmte Viruserkrankungen, lassen sich prinzipiell durch Wirkstoffe behandeln, die spezifisch an gefaltete RNA-Strukturen binden. Der bisherige Mangel an verlässlichen 3D-Modellen hat die Wirkstoffsuche erheblich verlangsamt. RNAbpFlow adressiert diese Hürde, indem es präzise Bindetaschen aufdeckt. Für große, komplexe RNA-Moleküle bleiben bestehende datenintensive Systeme weiterhin im Vorteil, doch die neue Methode glänzt besonders bei RNA mit geringer evolutionärer Diversität, wie konservierten SARS-CoV-2-Elementen oder synthetischen Ribozymen. Das Vorhaben wurde durch Mittel des National Institutes of Health und der National Science Foundation unterstützt. Zur Förderung der reproduzierbaren Wissenschaft veröffentlichen die Autoren den vollständigen Quellcode, die Trainingsdaten und die Implementierung öffentlich. Eine optimierte Version des Modells soll im diesjährigen CASP-Wettbewerb zur Strukturvorhersage vorgestellt werden. Die Arbeit demonstriert erfolgreich, wie KI-Architekturen, die ursprünglich für die Bildsynthese entwickelt wurden, auf komplexe biologische Probleme übertragen werden können und so die Grundlage für präzise RNA-basierte Therapien der nächsten Generation legen.