中山大學(xué)：解鎖“AI+病毒學(xué)”的科學(xué)密碼

“通過(guò)LucaProt，我們發(fā)現(xiàn)了許多未研究過(guò)的病毒群體，以及具有特殊長(zhǎng)度、復(fù)雜基因組結(jié)構(gòu)的RNA病毒類型。”中山大學(xué)醫(yī)學(xué)院施莽教授團(tuán)隊(duì)從“已知”中尋找“未知”，將人工智能技術(shù)應(yīng)用于病毒鑒定。他們跨越重重技術(shù)難關(guān)，發(fā)現(xiàn)了大量全新RNA病毒。

過(guò)去，人們通過(guò)分離培養(yǎng)病毒，在顯微鏡下觀察確認(rèn)病毒的存在。隨著技術(shù)發(fā)展，科學(xué)家們利用測(cè)序技術(shù)，通過(guò)比較未知病毒和已知病毒核酸序列的相似性，來(lái)識(shí)別和鑒定新病毒。然而，這些傳統(tǒng)的病毒發(fā)現(xiàn)方法比較依賴既有知識(shí)，尤其在面對(duì)缺乏同源性或同源性低的“暗物質(zhì)病毒”時(shí)，很容易失靈。

如何突破傳統(tǒng)病毒發(fā)現(xiàn)方法的瓶頸，用更高效、更精準(zhǔn)的方法去發(fā)現(xiàn)和鑒定新病毒，并進(jìn)行下游的驗(yàn)證工作？這是擺在中山大學(xué)研究團(tuán)隊(duì)面前的現(xiàn)實(shí)問(wèn)題。

2020年起，中山大學(xué)研究團(tuán)隊(duì)開發(fā)了一種基于同源性的生物信息學(xué)算法，它能夠幫助科研人員發(fā)現(xiàn)遠(yuǎn)緣的病毒，但仍面臨著操作煩瑣，以及難以深入探測(cè)“暗物質(zhì)病毒”的技術(shù)難關(guān)。2022年，中山大學(xué)研究團(tuán)隊(duì)與阿里云李兆融團(tuán)隊(duì)的一次偶然交流，為發(fā)現(xiàn)“暗物質(zhì)病毒”帶來(lái)了契機(jī)。此后，兩個(gè)團(tuán)隊(duì)展開緊密合作，聯(lián)合開發(fā)用于病毒發(fā)現(xiàn)的人工智能模型。

合作的初期，中山大學(xué)研究團(tuán)隊(duì)對(duì)新興AI模型不熟悉，阿里云的算法工程師們不了解病毒學(xué)。為搭建服務(wù)于病毒鑒定的人工智能模型，雙方不斷為對(duì)方普及各自領(lǐng)域的知識(shí)。盡管相隔數(shù)千公里，在日常線上溝通的基礎(chǔ)上，他們還經(jīng)?；ハ喟菰L，共同討論問(wèn)題。

除溝通問(wèn)題外，模型優(yōu)化也是一個(gè)不小的挑戰(zhàn)。當(dāng)時(shí)，中山大學(xué)研究團(tuán)隊(duì)基于蛋白質(zhì)序列數(shù)據(jù)訓(xùn)練模型，經(jīng)過(guò)測(cè)試后，模型的準(zhǔn)確率能達(dá)到80%以上，但團(tuán)隊(duì)認(rèn)為仍有提升空間。項(xiàng)目相關(guān)負(fù)責(zé)人回憶：“通過(guò)進(jìn)一步討論，我們意識(shí)到過(guò)去的研究過(guò)于依賴序列信息，而忽視了結(jié)構(gòu)信息的重要性。”因此，他們更新了模型，在傳統(tǒng)的序列比較基礎(chǔ)上，加入預(yù)測(cè)的蛋白質(zhì)結(jié)構(gòu)信息。這樣的改進(jìn)大幅提升了區(qū)分RNA病毒的準(zhǔn)確性和效率。

反復(fù)優(yōu)化模型后，LucaProt人工智能算法能夠?qū)Σ《竞头遣《净蚪M序列深度學(xué)習(xí)，且能在數(shù)據(jù)集中后，自主判斷病毒序列?！芭c傳統(tǒng)方法相比，LucaProt結(jié)合了序列和預(yù)測(cè)結(jié)構(gòu)信息，在準(zhǔn)確性、效率以及檢測(cè)病毒多樣性方面，展現(xiàn)出了很大優(yōu)勢(shì)?！表?xiàng)目相關(guān)負(fù)責(zé)人介紹，LucaProt人工智能算法專為RNA病毒發(fā)現(xiàn)而設(shè)計(jì)，其框架融合了蛋白質(zhì)序列與隱含的結(jié)構(gòu)信息?？蒲腥藛T輸入蛋白質(zhì)序列，就可以對(duì)該序列進(jìn)行判別。

“人工智能的速度和精度可以幫助科學(xué)家更快地鎖定潛在病原體，而這種能力在疾病防控和新病原的快速識(shí)別中尤為重要。”在施莽看來(lái)，人工智能是一位“好助手”。

在來(lái)自全球生物環(huán)境樣本的10487份RNA測(cè)序數(shù)據(jù)中，研究團(tuán)隊(duì)利用這套算法，發(fā)現(xiàn)了超過(guò)51萬(wàn)條病毒基因組，代表超過(guò)16萬(wàn)個(gè)潛在病毒種及180個(gè)RNA病毒超群，使RNA病毒超群數(shù)量擴(kuò)容約9倍。其中23個(gè)超群無(wú)法通過(guò)序列同源方法識(shí)別，被稱為病毒圈的“暗物質(zhì)”。

新病毒的發(fā)現(xiàn)，刷新著科學(xué)家對(duì)病毒圈的認(rèn)識(shí)。通過(guò)進(jìn)一步分析，團(tuán)隊(duì)報(bào)告了迄今最長(zhǎng)的RNA病毒基因組，長(zhǎng)度達(dá)到47250個(gè)核苷酸，并發(fā)現(xiàn)了超出以往認(rèn)知的基因組結(jié)構(gòu)，展現(xiàn)出RNA病毒基因組進(jìn)化的靈活性。項(xiàng)目相關(guān)負(fù)責(zé)人表示，LucaProt在未來(lái)將成為重要的病毒鑒定工具。隨著病毒數(shù)據(jù)積累得越來(lái)越多，研究團(tuán)隊(duì)可以在此基礎(chǔ)上開展增量訓(xùn)練，進(jìn)一步發(fā)現(xiàn)更多缺乏序列同源性的“暗物質(zhì)病毒”。

“病毒的多樣性遠(yuǎn)超人類想象，我們目前所看到的仍是冰山一角?！痹谑┟Э磥?lái)，團(tuán)隊(duì)的研究展示了病毒多樣性的深度，但廣度仍有待更多樣本的補(bǔ)充。（中國(guó)教育報(bào)-中國(guó)教育新聞網(wǎng)通訊員 張梓欣 記者 劉盾）