RNAGenScape：基于流形 Langevin 动力学的属性导向 mRNA 序列生成
定量方法
2026-05-11 v3 机器学习
生物大分子
摘要
生成属性优化的 mRNA 序列是疫苗设计和蛋白替代疗法等应用中的核心挑战，由于数据有限、序列-功能关系复杂以及生物可行序列空间狭小，仍具备挑战性。常规生成方法会偏离数据流形，导致序列折叠失败、翻译效率差或其他不可功能化。我们提出 RNAGenScape，一个属性导向的流形 Langevin 动力学框架，用于 mRNA 序列生成，直接作用于学习的真实数据流形。通过在该流形上执行迭代的局部优化，RNAGenScape 保持生物可行性、获取可靠的引导并避免偏离环境序列空间的非功能区域。该框架集成了三个组件：（1）联合训练属性预测器的自编码器，以学习属性组织的潜在流形；（2）去噪自编码器将更新投影回流形；（3）属性导向的 Langevin 动力学程序在流形上执行优化。在三个真实世界 mRNA 数据集上（规模相差两个数量级），RNAGenScape 将中位数属性提升幅度提高最高可达 148%，成功率提高最高可达 30%，同时确保生成序列的生物可行性，相对于现有生成方法实现了竞争的推理效率。
引用
@article{arxiv.2510.24736,
title = {RNAGenScape: Property-Guided, Optimized Generation of mRNA Sequences with Manifold Langevin Dynamics},
author = {Danqi Liao and Chen Liu and Xingzhi Sun and Dié Tang and Haochen Wang and Scott Youlten and Srikar Krishna Gopinath and Haejeong Lee and Ethan C. Strayer and Antonio J. Giraldez and Smita Krishnaswamy},
journal= {arXiv preprint arXiv:2510.24736},
year = {2026}
}
备注
ICML 2025 Generative AI and Biology (GenBio) Workshop, Oral presentation