近日，一篇由孟加拉国库尔纳大学（Khulna University）和英国东伦敦大学（University of East London）学者合作的论文“Prediction of RNA Secondary Structure Using Butterfly Optimization Algorithm”（译：利用蝴蝶优化算法预测RNA二级结构）在国际期刊《以人为中心的智能系统（英文）》（Human-Centric Intelligent Systems, HCIN, eISSN: 2667-1336）上公开发表（DOI：https://doi.org/10.1007/s44230-024-00062-6）。

基于群体的元启发式蝴蝶优化算法预测RNA二级结构，助力新药发现及遗传病研究。

RNA在蛋白质合成、DNA 复制、基因表达、细胞分化和遗传进化中具有重要意义。如图1所示， RNA中存在着三级结构。一级结构是

由通过磷酸二酯键连接的核苷酸线性序列。二级结构（二维碱基对）是由同一单链RNA上核苷酸的互补碱基对形成。三级结构指RNA分子在二级结构的基础上进一步折叠形成的复杂三维结构，其结构特点表明，RNA 的二级结构不仅是理解其三维结构和功能的关键桥梁，还能够揭示 RNA 分子的进化特征和相互作用机制。因此，为了深入研究遗传性疾病的病理并辅助生物学家发现新的治疗方法，研究人员一直致力于确定 RNA 的二级结构，从而分析细胞中各类物质的重要性。尽管物理分析方法如核磁共振（NMR）和X射线晶体学在预测RNA结构方面取得了一定的进展，但这些方法操作复杂、耗时且成本高昂。此外，RNA 二级结构预测问题属于NP（Nondeterministic Polynomial time-Hard Problem）困难问题，会造成预测算法准确率随着RNA序列中分子的增加而降低，极大的限制了算法的性能。

针对上述问题，本文提出一种基于群体的元启发式蝴蝶优化算法（Butterfly Optimization Algorithm，BOA），用于预测RNA的二级结构。该算法受蝴蝶探索食物现象启发，以蝴蝶对香味的敏感性为前提进行局部和全局搜索，从而找到稳定结构和最佳搜索方案。

具体而言，首先设计了四个搜索算子进行分离全局搜索、反向全局搜索、交换局部搜索和边缘局部搜索。分离全局搜索（图2）将每个分子或结构分成两个部分，注入有助于找到全局最小值点的随机元素。反向全局搜索（图3）结合两个不同区域的局部极小点，搜索全局最小结构。交换局部搜索（图4）在搜索空间的局部区域中交换不同的单体位置，并且像变异算子一样工作，在分子之间产生微小的变化。边缘局部搜索（图5）在局部区域内选择两个不同的结构，并对这两个结构之间的奇偶位置进行边际搜索，生成局部搜索极小点。此外，“优化”功能会丢弃结构中重复编号（如图2中New_B1 重复编号1），从而加快搜索过程。

在RNA STRAND v2.0数据集上，从TP、FP、FN、Sensitivity、Specificity、F-measure和INF等评价角度，与目前主流算法SA、GA、COIN、TL-PSO、FOA和CRO等进行了对比实验，结果表明，所提出的BOA算法在预测RNA二级结构上均优于当前最先进的算法。

1）提出的蝴蝶优化算法BOA设计了分离全局搜索、反向全局搜索、交换局部搜索和边缘局部搜索，可实现同时进行局部和全局搜索，具有更低的全局搜索过程的时间复杂度；

2）引入热力学模型来选择具有最小吉布斯自由能的稳定二级结构，进一步提高了预测效率。