新语言模型学会读取“另类文本”

  最新发表在《自然·机器智能》上的一篇论文中，美国普林斯顿大学研究人员详细介绍了一种语言模型，该模型可追踪部分基因组序列并优化这些序列，利用其语义表示能力来设计更有效的信使RNA（mRNA）疫苗。

  新模型的代码包含所有生命功能的指令。基因组中每个序列都遵循复杂的语法和句法，这些结构产生了意义。正如改变几个单词可从根本上改变句子含义，生物序列的微小变化也可使序列编码产生巨大差异。

  科学家将遗传信息的流动总结为“生物学中心法则”：信息从DNA转移到RNA再到蛋白质，蛋白质创造活细胞的结构和功能。mRNA在最后一步（称为翻译）将信息转化为蛋白质。mRNA只有一部分包含蛋白质代码，其余部分不进行翻译，但控制翻译过程的重要方面。

  控制蛋白质生产效率是mRNA疫苗发挥作用的关键机制。在对少数物种进行模型训练后，研究人员生成了数百个新的优化序列，并通过实验验证了这些结果。最佳序列的性能优于疫苗开发的多个领先基准，其中蛋白质生产的整体效率提高了33%。

  研究团队使用经过训练的模型创建了包含211个新序列的库，每个都针对所需功能进行了优化，提高了翻译效率。这些蛋白质，如新冠疫苗靶向的刺突蛋白，可驱动针对传染病的免疫反应。

  新模型是第一个专注于mRNA非翻译区域的语言模型。研究人员表示，即使是少量提高蛋白质生产效率，也会对新兴疗法产生重大推动作用。经过对来自少数物种的mRNA的训练，它能解码核苷酸序列并揭示有关基因调控的新知识。而基因调控是生命最基本的功能之一，是找到疾病和紊乱根源的关键。（记者 张梦然）