百度推出LinearDesign，全球首個(gè)mRNA疫苗不穩(wěn)定性解決方案，僅需16分鐘

十三 發(fā)自 凹非寺
量子位 報(bào)道 | 公眾號(hào) QbitAI

新冠疫情全球流行，疫苗研制成為當(dāng)務(wù)之急。

mRNA作為一種全新的疫苗類型，能夠快速大規(guī)模生產(chǎn)， 因此成為科學(xué)家們攻克的主陣地之一。

新冠疫情爆發(fā)后，RNA設(shè)計(jì)領(lǐng)域世界知名專家、斯坦福大學(xué)生物化學(xué)系Rhiju Das教授關(guān)注到疫苗研發(fā)存在的一個(gè)非常棘手的問題：

找到一個(gè)既具有穩(wěn)定二級(jí)結(jié)構(gòu)，而且還有效的mRNA疫苗。

有多難？

首先是穩(wěn)定性，mRNA疫苗“脆弱”到在保存、運(yùn)輸過程中，就有可能因?yàn)榻到舛А?/p>

然后是有效性，需要找一個(gè)mRNA序列，能夠翻譯成特定的蛋白質(zhì)(抗原)。

單是滿足這兩個(gè)條件，若是采用遍歷的方式去尋找，那就需要查看10的632次方個(gè)mRNA序列！

這是什么概念？用一臺(tái)超級(jí)計(jì)算機(jī)來處理，即便一秒鐘能計(jì)算一個(gè)新冠RNA序列的二級(jí)結(jié)構(gòu)，哪怕是從宇宙誕生到現(xiàn)在(130-140億年)，連“潛在”mRNA序列的億萬分之一都沒算到。

僅靠科研人員的力量是遠(yuǎn)遠(yuǎn)不夠的，那就“全民參賽”吧！

于是乎，Rhiju Das教授便找到了百度，使用百度此前開源的LinearFold算法，搭建一個(gè)疫苗設(shè)計(jì)公開賽，讓全民參與進(jìn)來，以游戲的形式，邊玩邊找這個(gè)mRNA。

但正如剛才提到的，搜索空間是異常龐大，難道就沒有辦法在相對(duì)節(jié)省人力的情況下，就能夠設(shè)計(jì)出滿足條件的mRNA疫苗序列呢？

這個(gè)可以有。

現(xiàn)在，(可能)“拯救世界”的新算法，LinearDesign，來了！

LinearDesign：最快16分鐘完成mRNA疫苗序列設(shè)計(jì)

其實(shí)，回顧近二十年的歷史，隨著全球化和城市化的深入發(fā)展，全球疫情爆發(fā)周期越來越短——從2002年的SARS，到2012的MERS，再到現(xiàn)如今的新冠病毒。

面對(duì)一次又一次的冠狀病毒的侵襲，快速研制出特定疫苗成為了解決問題的一種途徑。

那么，在mRNA疫苗如此龐大的搜索空間面前，LinearDesign又能起到什么作用？

針對(duì)新冠病毒的mRNA疫苗序列，通常是以自然界存在的新冠刺突蛋白對(duì)應(yīng)的mRNA段為基礎(chǔ)，經(jīng)過一些改動(dòng)后作為備選序列。

但是這樣的序列其二級(jí)結(jié)構(gòu)通常是不夠穩(wěn)定的。如下圖(A)展示的是新冠病毒刺突蛋白對(duì)應(yīng)的mRNA二級(jí)結(jié)構(gòu)，其能量為-967.8 kcal/mol。

△圖A

這一能量衡量了mRNA二級(jí)結(jié)構(gòu)的穩(wěn)定性，能量越低（越負(fù)）表明越穩(wěn)定。

mRNA由多個(gè)核苷酸（共四種，分別是A、U、C、G）串聯(lián)而成，蛋白質(zhì)由多個(gè)氨基酸（共21種）串聯(lián)而成。每三個(gè)核苷酸（稱為一個(gè)密碼子）翻譯成一個(gè)蛋白質(zhì)。顯而易見，三個(gè)核苷酸共有4的三次方共64種組合，那么必然有多個(gè)密碼子對(duì)應(yīng)一個(gè)氨基酸，也就是說有很多mRNA序列都可以翻譯成同一個(gè)蛋白質(zhì)（抗原）序列。具體來說，新冠病毒刺突蛋白（抗原）共有1273個(gè)氨基酸，能翻譯成刺突蛋白的mRNA序列有10的632次方之多。如下圖所示：

在保持翻譯成的蛋白質(zhì)不變的前提下，還可以選擇其他的序列作為mRNA疫苗序列。下圖(B)展示了從1萬個(gè)隨機(jī)序列中選取的能量最低的序列，能量為-1149.8 kcal/mol。

△圖B

這一序列能量比Wildtype低一些，但是也并不是能量最低的序列。

那么能量最低的序列什么樣子，其能量可以低到多少？有請(qǐng)LinearDesign算法來回答這個(gè)問題。

下圖(C)便是LinearDesign設(shè)計(jì)出來的序列二級(jí)結(jié)構(gòu)，其能量為-2477.7 kcal/mol，比A、B低一倍還多。

△圖C

它的二級(jí)結(jié)構(gòu)非常緊密，幾乎所有的堿基都形成了堿基對(duì)。而堿基對(duì)越多，通常能量越低，結(jié)構(gòu)越穩(wěn)定。

從上面對(duì)比圖可以看出，在新冠病毒的刺突蛋白序列上的計(jì)算機(jī)模擬實(shí)驗(yàn)表明，LinearDesign算法可以設(shè)計(jì)出比Wildtype序列穩(wěn)定得多的結(jié)構(gòu)，而且設(shè)計(jì)時(shí)間只需要1個(gè)半小時(shí)。

如果采用線性時(shí)間近似，所需時(shí)間可以進(jìn)一步縮短到16分鐘， 而相比于最穩(wěn)定序列，線性近似算法設(shè)計(jì)出的序列與其能量僅相差0.6%。

上圖對(duì)比了刺突蛋白的野生型mRNA、隨機(jī)生成的mRNA序列、以及LinearDesign設(shè)計(jì)序列的穩(wěn)定性和蛋白質(zhì)表達(dá)水平。圖中橫坐標(biāo)是衡量穩(wěn)定性的參數(shù)MFE，越低越好；縱坐標(biāo)是衡量蛋白質(zhì)表達(dá)水平的參數(shù)CAI，越高越好，所以處于左上方的序列既穩(wěn)定又能翻譯更多蛋白質(zhì)（抗原）。

野生型和隨機(jī)生成的序列都集中在右下方，而LinearDesign設(shè)計(jì)的序列在左上方。其中最左側(cè)的點(diǎn)是LinearDesign設(shè)計(jì)出的最穩(wěn)定的序列，其MFE為-2477.7 kcal/mol. 而隨著調(diào)整lambda值（一個(gè)平衡MFE和CAI的超參數(shù)），可得到一條淡藍(lán)色的曲線，這個(gè)曲線就是所有滿足條件的mRNA 序列中最優(yōu)序列上界。粉色的曲線是近似算法設(shè)計(jì)出的序列，可以看到它和精確算法找出的序列（淡藍(lán)色曲線）非常接近，但設(shè)計(jì)時(shí)間大大縮短。

更重要的是，LinearDesign不僅有助于解決當(dāng)下的新冠病毒問題，更是適用于所有的mRNA疫苗。

那么，LinearDesign到底是如何做到這點(diǎn)的呢？

LinearDesign原理：降低搜索空間至多項(xiàng)式級(jí)

主要面臨的問題，就是如何解決如此龐大的搜索空間。

LinearDesign通過動(dòng)態(tài)規(guī)劃算法，來將這一問題的搜索空間從指數(shù)級(jí)降低到多項(xiàng)式級(jí)。

具體來說，首先用確定有限狀態(tài)自動(dòng)機(jī)（DFA）來表達(dá)氨基酸和蛋白質(zhì)，這樣不同位置上密碼子的選擇就可以抽象為計(jì)算理論中常用的DFA圖。

如下圖，分別把三種氨基酸（A: methionine, B: valine, C: serine）以及終止密碼子（D）抽象為DFA圖。

在此基礎(chǔ)上，將氨基酸的DFA串聯(lián)起來，即可得到一段蛋白質(zhì)序列的DFA圖。如下圖是示例序列“methionineleucine stop” 的DFA圖。

在有了DFA圖后，要通過DFA找出二級(jí)結(jié)構(gòu)最穩(wěn)定的mRNA序列。

這里借用了計(jì)算語言學(xué)中常用的一個(gè)工具，隨機(jī)上下文無關(guān)語法（SCFG）。RNA二級(jí)結(jié)構(gòu)可以通過SCFG構(gòu)建語法樹來表示。

mRNA疫苗序列設(shè)計(jì)優(yōu)化問題實(shí)際上是將單個(gè)RNA序列的二級(jí)結(jié)構(gòu)計(jì)算（RNAfolding）推廣到多個(gè)RNA序列。

在用DFA抽象表示多個(gè)RNA序列后，研究人員通過取DFA與SCFG的交集，來從多個(gè)mRNA序列中找到具有最穩(wěn)定二級(jí)結(jié)構(gòu)的序列。

下圖給出了一個(gè)具體的例子，通過DFA和SCFG相交，生成出序列“methionine leucine stop”最優(yōu)的mRNA序列為“AUGCUGUGA”。

除此之外，研究人員還在此基礎(chǔ)上，對(duì)算法做了如下擴(kuò)展：

• 借用LinearFold思想，進(jìn)一步將計(jì)算復(fù)雜度從三次方復(fù)雜度降低到線性，大幅度縮短設(shè)計(jì)mRNA序列所需要的時(shí)間；
• 從提供一個(gè)最優(yōu)的mRNA序列，到可以提供前k個(gè)次優(yōu)的mRNA序列作為備選。疫苗公司可以在這些備選中選出最適合生產(chǎn)的疫苗序列；
• 同時(shí)優(yōu)化二級(jí)結(jié)構(gòu)穩(wěn)定性和蛋白質(zhì)表達(dá)效率，設(shè)計(jì)出穩(wěn)定性好、蛋白質(zhì)表達(dá)效率高的mRNA疫苗序列。

CoV-Seq：數(shù)據(jù)、工具都呈上，大家一起來抗疫

解決了尋找穩(wěn)定、有效mRNA之后，對(duì)于科學(xué)家來說其實(shí)還存在一個(gè)困擾。

為了了解新冠病毒的進(jìn)化和各個(gè)基因的功能，科學(xué)家們需要從不同年齡段、性別、種族和疾病階段的患者身上收集SARS-CoV-2基因組并進(jìn)行全基因組測序。

然而，公共存儲(chǔ)庫每天都在迅速發(fā)布基因組序列，每周有成千上萬的新序列。

那么，問題就來了：

• 為了跟上最新發(fā)展，科學(xué)家需要經(jīng)常下載并重新整理新的數(shù)據(jù)集，這可能會(huì)花費(fèi)大量時(shí)間和精力。
• 另一方面，對(duì)于生物信息學(xué)知識(shí)有限的科學(xué)家可能會(huì)發(fā)現(xiàn)，當(dāng)他們拿到新序列時(shí)，很難快速有效的進(jìn)行分析。
• 而且，目前沒有可以自動(dòng)注釋SARS-CoV-2基因和基因突變的軟件。

因此，百度開發(fā)了CoV-Seq分析平臺(tái)來解決上述問題。

CoV-Seq由幾個(gè)組件組成。

數(shù)據(jù)分析工具，該工具接受FASTA格式的序列并生成VCF格式的突變數(shù)據(jù)。工具會(huì)自動(dòng)過濾低質(zhì)量的序列并刪除重復(fù)的序列，執(zhí)行序列比對(duì)，調(diào)用并注釋遺傳變異。

Web界面，無需任何編程即可快速分析自定義序列，包括交互式基因組可視化以及可供下載的分析結(jié)果。

獨(dú)立腳本，以允許在本地計(jì)算機(jī)上進(jìn)行高吞吐量的處理。

CoV-Seq分析平臺(tái)的論文已經(jīng)上線：

進(jìn)擊的計(jì)算生物學(xué)硬實(shí)力

百度研究院開展RNA二級(jí)結(jié)構(gòu)領(lǐng)域的研究，其實(shí)是在2018年剛剛開始。

但就是在這短短的2年時(shí)間里，百度研究院RNA團(tuán)隊(duì)，除了此次的LinearDesign外，還推出了LinearFold、LinearPartition，研究成果相繼被計(jì)算生物學(xué)領(lǐng)域頂級(jí)會(huì)議ISMB接收，引起業(yè)內(nèi)的關(guān)注。

這也足以體現(xiàn)百度在生物計(jì)算研究領(lǐng)域的技術(shù)實(shí)力。

正所謂能力越大，責(zé)任越大。面對(duì)突如其來的疫情，百度于1月份對(duì)外免費(fèi)開放了可以大大提升新冠RNA二級(jí)結(jié)構(gòu)分析速度的LinearFold服務(wù)，引起了全世界科研機(jī)關(guān)、防疫機(jī)構(gòu)和生物醫(yī)學(xué)公司的廣泛關(guān)注，多家機(jī)構(gòu)聯(lián)系百度，提出了建立后續(xù)合作的意向。

現(xiàn)如今，在此基礎(chǔ)上，百度再次發(fā)力，提出的LinearDesign能夠大大減少尋找mRNA疫苗序列的搜索空間，還提供了CoV-Seq這樣方便的工具平臺(tái)，讓研究人員能夠加速科研的進(jìn)展。

不僅如此，這樣的技術(shù)、工具組合，還大大降低了上手的門檻。

那么，就快快加入“全民抗疫”這場戰(zhàn)斗中，在LinearDesign的基礎(chǔ)上從更多維度繼續(xù)優(yōu)化mRNA疫苗序列。說不定找到最優(yōu)mRNA疫苗序列的，就會(huì)是你。

拯救人類的重任，就交給你啦。

傳送門

LinearDesign 論文地址：https://arxiv.org/abs/2004.10177

LinearDesign 網(wǎng)站鏈接：http://rna.baidu.com/

CoV-Seq論文地址：

https://www.biorxiv.org/content/10.1101/2020.05.01.071050v1

CoV-Seq網(wǎng)站鏈接：http://covseq.baidu.com/