В исследовании представлен EvoRMD — инновационный фреймворк для прогнозирования типов модификаций РНК, который преодолевает ограничения существующих методов, рассматривающих каждый тип модификации как независимую задачу. В отличие от традиционных подходов, EvoRMD учитывает биологический контекст, интегрируя эмбеддинги последовательностей из крупномасштабной языковой модели РНК со структурированными метаданными: видом организма, органом, типом клеток и субклеточной локализацией. Модель использует облегченный механизм внимания (attention mechanism) для выделения информативных позиций в последовательности и общий многоклассовый классификатор для распределения вероятностей между 11 типами модификаций (включая Am, Cm, Um, Gm, D, pseudouridine, m1A, m5C, m5U, m6A, m7G). Архитектура позволяет учитывать специфику данных, где в одной позиции может присутствовать только одна модификация, а остальные остаются неразмеченными. Результаты демонстрируют высокую прогностическую точность и обеспечивают интерпретируемость через анализ профилей внимания и мотивов. Данная разработка имеет критическое значение для понимания механизмов посттранскрипционной регуляции экспрессии генов и может быть использована для приоритизации целей в молекулярной биологии.