KI SpotlightNewsAibo Bio setzt auf RNA-Sprachmodelle aus Protein-Transferlernen
ProtRNA und ProtmRNA erreichen mit weniger Daten und Rechenressourcen vergleichbare Leistung
Mit KI erstellt◆ Fakten auf einen Blick
- ProtRNA ist ein RNA-Sprachmodell, das durch Cross-Modal Transfer Learning von ESM-2 entwickelt wurde.
- ProtRNA erreicht bei RNA-Downstream-Aufgaben eine Leistung, die vergleichbar oder besser als die von Baseline-RNA-Sprachmodellen ist, benötigt aber nur 1/8 der trainierbaren Parameter und 1/6 der Trainingsdaten.
- ProtRNA wurde 2025 in Cell Systems veröffentlicht.
- ProtmRNA ist ein Codon-Level-mRNA-Sprachmodell, das von ESM-2 650M adaptiert wurde, indem Aminosäure-Tokens durch Codon-Tokens ersetzt wurden.
- ProtmRNA sagt mRNA-Stabilität, Expression und Transkriptabundanz vorher und prognostiziert die Degradation von mRNA-Impfstoffkonstrukten auf einem SARS-CoV-2-Benchmark.
- ProtmRNA wurde als bioRxiv-Preprint am 20. Mai 2026 von Gang Xu, Xinyu Wu und Jianpeng Ma (Fudan University, Shanghai AI Laboratory, Hunan Normal University) veröffentlicht.
1 – Aibo Bio nutzt neue RNA-Sprachmodelle
Das Shanghai-basierte KI-Unternehmen Aibo Bio setzt die Modelle ProtRNA und ProtmRNA ein, die durch Cross-Modal-Transferlernen von Metas ESM-2 entwickelt wurden, um RNA-Forschung zu beschleunigen. ProtRNA wurde auf Benchmarks wie RnaBench (Sekundärstruktur) und PrismNet (Protein-RNA-Interaktion) evaluiert und erzielte vergleichbare oder bessere Leistung als Baseline-RNA-Modelle. ProtmRNA wurde auf mRNA- und proteinbezogenen Datensätzen sowie acht zusätzlichen Benchmarks getestet und erreichte ebenfalls vergleichbare oder überlegene Ergebnisse.
2 – Effizienz trotz knapper RNA-Daten
ProtRNA erreicht mit nur einem Achtel der trainierbaren Parameter und einem Sechstel der Trainingsdaten vergleichbare oder bessere Leistung als Baseline-RNA-Modelle. ProtmRNA benötigt weniger als die Hälfte der Pre-Training-Rechenressourcen. Es sagt mRNA-Stabilität, Expression und Transkriptabundanz vorher, indem es Aminosäure-Tokens durch 78 Codon-Tokens ersetzt und das 33-schichtige, 1280-dimensionale Backbone von ESM-2 unverändert übernimmt. So werden die gelernten Protein-Gewichte direkt für mRNA-Aufgaben genutzt.
