MitoSeqGen: a constrained generative transformer for mammalian mitochondrial mRNA codon optimization
MitoSeqGen 是一种在大型脊椎动物线粒体数据集上训练的新型受限生成式 Transformer，它通过保证在独特的线粒体遗传密码下实现 100% 的蛋白质正确性，同时实现与天然密码序列的卓越相似性，从而超越了现有的密码子优化模型。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
在人体内的每一个细胞中，被称为线粒体的微小“发电厂”都在不知疲倦地工作，产生生命所需的能量。这些细胞器拥有自己的一套小型圆形指令集，即线粒体基因组，它与细胞核中发现的主 DNA 图书馆截然不同。虽然核基因组使用一套通用的规则将遗传密码翻译成蛋白质，但线粒体基因组则使用一种略有不同的“方言”。在这种独特的语言中，某些被称为“密码子”的三字母单词组合，其含义与主细胞图书馆中的含义完全不同。例如，在主基因组中通常表示“停止”的序列，在指导线粒体构建时，可能反而指示构建一种名为色氨酸的特定“建筑模块”。这种差异对于试图开发针对线粒体疾病的基因疗法的研究人员至关重要，因为他们必须重写遗传指令，使其能在这种专门的环境中正确运行。如果忽视了这些规则，生成的蛋白质可能会出现缺陷或失去功能，从而使疗法失效。
多年来，科学家一直依靠人工智能来帮助重写这些遗传指令，这一过程被称为“密码子优化”。其目标是重新排列 DNA 序列，使其更易于细胞读取，同时又不改变其产生的最终蛋白质。然而，当今最先进的 AI 工具完全是基于标准的核遗传密码进行训练的。它们从未学习过线粒体方言。这造成了一个危险的盲点：当研究人员将这些强大的通用型工具应用于线迭代线粒体基因时，AI 会在不知不觉中误用错误的“字典”。它可能会在需要建筑模块的地方插入一个停止信号，或者将一个建筑模块替换为另一个，从而有效地破坏了它本应改进的指令。直到现在，还没有人建立过专门用于理解并尊重线粒体代码独特规则的工具，这在治疗线粒体疾病的工具箱中留下了一个显著的空白。
研究员 Sravan Kumar Bonthada 着手填补这一空白，开发了一种名为 MitoSeqGen 的新 AI 模型。Bonthada 没有尝试去改造一个庞大的通用型工具，而是从零开始，专门针对线粒体密码训练了一个新系统。团队收集了来自数千种不同脊椎动物物种（从人类到鱼类）的超过 10 万条线粒体基因序列。他们仔细清洗了这些数据，以确保每条序列都是有效的，然后将其分成不同的组，以便模型可以向某些物种学习，并能在它从未见过的其他物种上进行测试。这种方法确保了模型是在真正学习这种语言的规则，而不仅仅是死记硬背特定的例子。最终生成的 AI 被设计了一个严格的约束：在生成新遗传序列的每一步中，它都被迫只能从符合线粒体密码的密码子集中进行选择。这种内置的安全机制保证了输出结果始终能翻译成预期的精确蛋白质，不会出现意外的停止信号或错误的建筑模块。
当研究人员测试这个新模型时，结果令人瞩目。他们将 MitoSeqGen 与四种已经符合线粒体密码的方法进行了对比，同时也与目前最领先的通用 AI 工具 CodonTransformer 进行了对比（使用的是用户在没有任何特殊调整时的常规用法）。通用型工具表现出了灾难性的失败，在超过 93% 的测试案例中产生了损坏的蛋白质，因为它并不理解线粒体规则。相比之下，MitoSeqGen 每次都能生成完美的蛋白质。除了能获得正确的蛋白质外，新模型生成的序列看起来也更接近自然界中进化出的天然基因。在衡量新序列在特定“词汇选择”上与真实序列的匹配程度时，MitoSeqGen 的表现显著优于所有其他方法，包括经过线粒体数据重新训练后的通用型工具版本。
研究还揭示了一个即使是最好的模型也无法完全解决的持久挑战。虽然这个新 AI 非常擅长选择正确的建筑模块，但在完美匹配天然线粒体基因的整体化学平衡和结构稳定性方面却遇到了困难。研究人员尝试了各种方法来修复这个问题，包括在训练过程中添加额外的规则，但这些尝试都没有改善结果。他们发现，这种困难可能源于这些基因的化学平衡在不同物种之间差异巨大，而且在不知道新基因属于哪个物种的情况下，模型无法完美模拟其自然状态。有趣的是，当他们对大型通用 AI 进行微调以适应线粒体数据时，该 AI 成功修复了损坏的蛋白质，并提高了匹配天然基因结构稳定性的能力，尽管它在选择特定词汇组合方面的技巧仍不及新模型。
这项工作证明，对于专门的生物学任务，一个规模较小、专为特定用途设计的工具可以胜过庞大的通用系统。通过尊重线粒体基因组独特的方言，MitoSeqGen 提供了一种可靠的方法，用于生成既安全又高效的遗传指令。研究结果表明，虽然通用 AI 功能强大，但不能在不经过适配的情况下直接应用于每一个生物学问题。对于线粒体基因治疗领域而言，这一新工具提供了一个关键的进步，确保为未来编写的遗传剧本不仅在理论上是正确的，而且在复杂的细胞内部机制中也是切实可行的。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。