一种用于设计稳定且高度可表达低免疫原性治疗性 mRNA 序列的演化方法
计算与语言
2026-05-28 v1 定量方法
摘要
作为治疗性 mRNA 序列需要经过优化，以确保高效翻译、结构稳定性和最小免疫原性。本研究提出了一个两阶段的人工智能框架，集成深度学习和进化计算，用于合理的 mRNA 优化，取代现有的领先模型。在第一阶段，预训练的 CodonTransformer（类 BERT 的大型语言模型）生成编码目标抗原的生物学连贯 mRNA 序列。在第二阶段，遗传算法 (GA) 通过 Codon-aware 交叉和同义突变演化这些候选序列，依据人类密码子使用偏好进行引导。评估函数综合了翻译相关指标（CAI、tAI、密码子对偏好）、mRNA 结构稳定性（局部和全局最低自由能 via RNAfold、GC 含量）以及减少免疫原性（CpG/UpA motifs 频率）。在 successive 代（第 38、40 和 42 代），GA 改进了 CAI 和 tAI（分别提升 6% 以上），密码子对偏好高且一致（0.97），改善了 5' 端的核糖体可及性，unpaired_30 比例达到 0.87；全局最低自由能 (MFE) 收敛至 -346 到 -356 kcal/mol 范围，实现约 84% 的双链结构稳定，降低免疫刺激 motifs 的平均免疫惩罚值至 27.3。线性设计产生的超稳定转录本（MFE < -2000 kcal/mol）风险在于翻译效率不足；BiLSTM-CRF 仅关注高 CAI (0.96-0.98)，而缺乏结构约束。我们的框架实现了翻译-稳定性的最佳平衡，凸显了该 BERT-GA 框架作为一种有效、数据驱动的方法，适用于体内 mRNA 序列的设计与优化。
引用
@article{arxiv.2605.27986,
title = {An Evolutionary Approach for Designing Stable and Highly Expressible Low-Immunogenicity Therapeutic mRNA Sequences},
author = {Dhawa Sang Dong and Mausam Gurung and Suraj Kandel},
journal= {arXiv preprint arXiv:2605.27986},
year = {2026}
}