现在我们主要现在做mRNA比较多，小RNA我主要还是在实验室做得比较多一点。

 

mRNA因为它分子比较长，而且编码不同的基因，它的序列都有比较大的差异，天然的其实它的表达并不好，我们看来天然的和优化的比起来，光序列优化这一件事情就有5到 10倍的差别。而以前都是基于热力学的RNA折叠的算法，热力学RNA结构算法其实是经历了很多年，但也是相当不完善，因为RNA不像蛋白质有比较固定的结构，RNA的结构预测由于它的数据本身就非常的少，真正解过结构的RNA没有几个，所以机器学习本身能够学习的就比较少，现在的结构预测基本上还是基于二级结构往三级结构的推测，第二个，它的序列本身不像蛋白质，它的预测在算法上其实效率不是很高，而且计算量非常的庞大，因为同一个a，平均4个碱基就会出现一个u，它可以在这边配，也能在那边配对，但实际上真实世界的RNA，我们在研究中发现它又不是一个绝对的热力学最稳定的东西。

 

以现在的算力来说，我们感觉是远远不够的。我们已经用了比较大型的计算服务器，经常算一个结构，要一周的时间。我们觉得从理论上来说，以现在的算力还是不可能穷举所有的结构。第二个就是哪一种结构是最优的？其实即使给你了，你也不知道它是最优的，但是我们现在能做到的就是在次优解里面也许有100个，我们能从中间挑到100个里面相对比较好的次优解用于制药。

 

实际上核酸药物前期研发的费用比小分子要高的多，没办法高通量筛选，所以通过这个算法能够尽可能地减少湿实验的程度。第二，我能找到尽可能优的解，能够在目前的应用场景下它足够好。

 

我们主要还是把基础研究的理念运结合到现在生信分析方法，然后再在湿实验上，这个过程是个滚动的过程，我们不断地去测试，那我可以把这个结果反过来训练我的机器学习程序，通过一段时间的滚动，你的预测就会越来越好，这个领域大家也在想一些新的方法。第二个在实验方法上，现在也有很多人在想能把高级结构更多地解出来，包括用一些化学加上二代测序、深度测序、三代测序的方法，能更好地解析它的高级结构，用一些实验证据来预测它的高级结构，再和生物学功能联系起来使用。