Protein language models predict artemisinin partial resistance and prioritize genetic modifiers in Plasmodium falciparum
这项研究表明，蛋白质语言模型（特别是 ESM-3）能够有效地预测恶性疟原虫中超越既定 K13 变异的青蒿素部分耐药性，并成功优先识别出如 EXO E415G 等仅在特定遗传背景下增强耐药性的上下文相关遗传修饰因子。
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
疟疾仍然是人类健康面临的最持久威胁之一，每年导致数亿人感染和数十万人死亡，其中最沉重的负担落在非洲大陆。对抗这种疾病的主要武器是一类被称为青蒿素联合疗法的药物。这些药物通过快速杀死血液中的疟原虫发挥作用，但一种被称为“部分耐药性”的危险现象已经出现。在耐药病例中，药物无法像预期的那样迅速杀死原虫，导致它们在体内停留的时间更长。这种延迟迫使治疗更加依赖于组合中的另一种伴随药物，这最终可能导致完全的治疗失败。多年来，科学家们一直通过监测一种名为 PfK13 的特定蛋白质的变化来监测这种耐药性，该蛋白质就像是原虫生存的一个分子开关。然而，仅仅依靠一个开关正变得不再足够。原虫正在以复杂的方式进化，其基因组的其他部分也出现了新的突变，这些突变可能在帮助它生存，但使用仅寻找已知、预定义变化的传统方法很难发现这些变化。
一组研究人员现在开发了一种新方法，通过将原虫的蛋白质视为一种完整的、进化的语言，而非一份单个部分的清单，来观察这些隐藏的模式。他们没有检查单一的已知突变，而是使用了一种经过数百万个天然蛋白质序列训练的人工智能，来理解原虫蛋白质的整个结构。这种方法使计算机能够识别蛋白质形状和成分的细微变化，从而发出耐药信号，即使这些特定的变化从未出现过。研究人员在过去几年中，对从东南亚患者身上采集的一千两百多个疟原虫样本进行了测试。他们根据样本采集的时间对数据进行分组，利用旧样本训练计算机，并要求它预测新的、未见过的样本的耐药状态。该系统表现出了极高的准确性，能够高可靠性地识别出未来样本集中的耐药原虫。更重要的是，它成功预测了来自非洲的寄生虫的耐药性，尽管该地区疾病的进化是独立进行的，而计算机仅在东南亚的数据上进行了训练。这表明该人工智能学习了蛋白质变化的根本规则以实现生存，而不仅仅是记住了特定的突变。
这种方法的力量延伸到了主要开关 PfK13 之外。研究人员将同样的基于语言的分析应用于其他 167 个被怀疑在耐药性中发挥作用的基因。通过查看每个基因的完整蛋白质序列，该模型可以优先确定哪些基因最有可能参与原虫的生存策略。结果证实了许多科学家已知的基因，但也凸显了一些被忽视的新候选基因。为了证明这些计算机预测是真实的，团队选择了一个名为 EXO 的特定基因及其内部的一个特定变化（称为 E415G）来进行实验室测试。他们使用一种精确的基因编辑工具，将这一变化引入两种不同类型的疟原虫中：一种已经携带主要的耐药开关，另一种则没有。实验揭示了一个关键细节：EXO 基因的变化本身并不会使原虫产生更强的耐药性。只有当它已经携带主要的耐药开关时，它才会增加原虫的生存能力。这一发现证实了耐药性不仅仅关乎一个坏的突变，而是关乎不同的遗传变化如何协同工作。相比之下，他们测试的另一个基因 ATP4 在两种情况下均对生存没有影响，证明了计算机模型能够区分有意义的信号与噪声。
这项工作为监测疟原虫进化建立了一个新的框架。通过使用蛋白质语言模型，科学家现在可以观察寄生虫的整个遗传密码，并预测它可能如何应对治疗，甚至在特定突变变得足以被旧方法检测到之前。研究表明，耐药性是一种复杂的特征，受原虫整个基因组背景的影响，而不仅仅是单个基因。虽然计算机模型目前还不能取代实验室测试的需求，但它提供了一种扫描新兴威胁并优先处理哪些遗传变化值得给予最紧迫关注的强大方式。随着寄生虫不断适应，这种阅读其蛋白质完整语言的能力提供了一个至关重要的工具，以保持领先地位，确保我们依赖的治疗手段能够尽可能长时间地保持有效。
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。