上海交通大学溥渊未来技术学院郑双佳老师团队在深度学习和机器学习领域的顶级学术会议The Thirty-Ninth Annual Conference on Neural Information Processing Systems (NeurIPS 2025)上发表题为“RiboFlow: Conditional De Novo RNA Co-Design via Synergistic Flow Matching”的研究论文。本文第一作者是溥渊未来技术学院2025级博士生马润泽与2024级博士生张仲岳。郑双佳老师团队本次共有3篇论文被NeurIPS录用，涉及的研究方向RNA设计、蛋白设计、抗体设计等。

神经信息处理系统大会（NeurIPS）是机器学习和计算神经科学领域的顶尖国际会议。在中国计算机学会的国际学术会议排名中，NeurIPS是人工智能领域的A类学术会议，涵盖了深度学习、计算机视觉、大规模机器学习、学习理论、优化、稀疏理论等众多细分领域。

研究背景

核糖核酸（RNA）是一种在生命科学领域中重要的生物大分子，它如同一把高度定制的“分子钥匙”，能够通过折叠成特定的三维形状，精确地与特定分子（例如药物分子）结合，从而在疾病治疗和生物检测等方面发挥作用。因此，如何设计出能与特定目标结合的全新RNA，是生物医药领域的一个重要课题。

研究现状

RNA的结构非常灵活，在对其进行设计时，既要考虑三维形状的合理性，又要兼顾对应的化学序列，现有方法往往难以将两者同步优化，导致设计出的序列与理想结构不匹配。在数据层面，RNA与小分子相互作用的高质量数据非常稀缺，模型缺少足够的学习材料。而且。此外现有设计方法通常不能很好地利用目标分子的形状信息来指导RNA的生成过程，这也限制了针对特定分子生成RNA的能力。

研究成果

为了解决现有方法面临的挑战，本文提出了一种名为 RiboFlow 的新型模型。该模型创新性地引入了协同流匹配（Synergistic Flow Matching）算法，能够同时对 RNA 的三维结构与序列进行建模，确保两者高度兼容，并据此设计出与靶向分子具有高亲和力的 RNA 分子。与此同时，研究团队整理并发布了目前规模最大的 RNA–小分子相互作用数据集 RiboBind，有效缓解了数据短缺问题。实验结果显示，RiboFlow 设计的 RNA 在结构合理性及靶向结合能力方面均显著优于现有方法，为新型 RNA 药物及生物工具的开发提供了一个高效、可靠的框架。

图1：作者首先从RCSB PDB数据库中收集并构建了一个大规模的RNA-配体相互作用数据集RiboBind。随后使用RNAsolo数据集对RiboFlow进行预训练，以增强其几何感知能力。通过RiboBind进行微调，RiboFlow能够在配体约束下设计出高亲和力的RNA。在推理过程中，RiboFlow能够生成针对不同配体的结构有效且高亲和力的RNA。

图2：（左）RiboFlow 及其变体在多项任务中均实现了当前最优的RNA设计性能。（右）RiboFlow 能够针对配体进行从头设计，且具有结合能力，验证了其设计能力。

作者信息

马润泽

上海交通大学溥渊未来技术学院2025级博士生，主要研究方向为生成式人工智能，科学智能。

张仲岳

上海交通大学溥渊未来技术学院2024级博士生，主要研究方向为多智能体系统，大语言模型应用与生成式人工智能。

郑双佳

溥渊未来技术学院长聘教轨助理教授，博士生导师。主要从事生成式人工智能与药物设计交叉领域研究，在Nat. Mach. Intell., Nat. Comput. Sci., Nat. Commun., Nat. Biomed. Eng, NeurIPS, ICLR等领域内国际期刊及会议上发表了五十余篇论文，引用超4800次；多项成果被人民日报，新华网，中国科学报，MIT Tech Review, Forbes等知名媒体报道。入选亚洲青年科学家基金项目，福布斯亚洲30 under 30，世界人工智能大会云帆奖，上海晨光计划等；获得世界人工智能大会优秀论文奖、吴瑞奖、百度奖学金，中国人工智能学会优博等荣誉和奖项。

论文链接：https://arxiv.org/abs/2503.17007