В статье представлена LIMBER (Layer-Interleaved Mamba-Bidirectional Encoder for RNA) — новая гибридная фундаментальная модель искусственного интеллекта, разработанная специально для анализа молекул РНК. Архитектура модели сочетает в себе двунаправленное самовнимание (self-attention) и селективное моделирование пространств состояний (state-space modeling), что позволяет эффективно обрабатывать сложные биологические последовательности. Модель была предварительно обучена на огромном наборе данных, состоящем из 40,5 миллиона некодирующих последовательностей РНК, что обеспечило ей глубокое понимание структурных и функциональных закономерностей. После дообучения под конкретные задачи LIMBER продемонстрировала лидирующие результаты в предсказании вторичной структуры РНК и классификации некодирующих РНК, превзойдя существующие аналоги. Кроме того, модель показала высокую способность к переносу знаний (transferability) в задачах, связанных с трансляцией, а также в предсказании взаимодействий между РНК и малыми молекулами. Авторы разработали унифицированную фреймворк-методологию для систематической оценки и интерпретации биологических знаний, извлеченных моделью, выявив иерархическую организацию информации по слоям нейросети. Исследование также раскрыло различные законы масштабирования (scaling laws) для структурных, эволюционных и функциональных способностей модели в зависимости от ее емкости, длительности обучения и размера датасета. Эти результаты делают LIMBER универсальным инструментом для биоинформатики и структурной биологии, открывая новые возможности для понимания взаимосвязи последовательности, структуры и функции РНК.