La predicción computacional de estructuras tridimensionales (3D) de ARN sigue siendo un desafío significativo, en gran parte debido a la limitada comprensión de las vías de plegamiento del ARN. Aunque la escasez de estructuras nativas de ARN resueltas ha dificultado la efectividad de los métodos de predicción basados en aprendizaje automático, los motivos estructurales pequeños y locales son recurrentes y abundantes en los datos disponibles. Modelar precisamente estos motivos geométricos presenta un enfoque prometedor para mejorar la predicción de estructuras 3D. En este documento, presentamos un nuevo modelo matemático que representa las estructuras 3D de ARN como colecciones de hélices que interactúan con descripciones geométricas concisas. Al utilizar un pequeño conjunto de parámetros para cada hélice modelada, nuestro método mapea segmentos de hebra de ARN en hélices dentro de un espacio 3D, facilitando el ensamblaje efectivo de grandes estructuras de ARN. Las pruebas preliminares en secuencias de ARN de la Proteína Data Bank demostraron el potencial del modelo en la predicción de elementos estructurales clave, incluyendo dobles hélices, bucles de horquilla y protuberancias.