百度推出LinearDesign，全球首個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 報道 | 公眾號 QbitAI

新冠疫情全球流行，疫苗研制成為當務之急。

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

新冠疫情爆發(fā)后，RNA設計領域世界知名專家、斯坦福大學生物化學系Rhiju Das教授關注到疫苗研發(fā)存在的一個非常棘手的問題：

找到一個既具有穩(wěn)定二級結構，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、運輸過程中，就有可能因為降解而失效。

然后是有效性，需要找一個mRNA序列，能夠翻譯成特定的蛋白質(抗原)。

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

這是什么概念？用一臺超級計算機來處理，即便一秒鐘能計算一個新冠RNA序列的二級結構，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遠不夠的，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，搭建一個疫苗設計公開賽，讓全民參與進來，以游戲的形式，邊玩邊找這個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節(jié)省人力的情況下，就能夠設計出滿足條件的mRNA疫苗序列呢？

這個可以有。

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疫苗序列設計

其實，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應的mRNA段為基礎，經過一些改動后作為備選序列。

但是這樣的序列其二級結構通常是不夠穩(wěn)定的。如下圖(A)展示的是新冠病毒刺突蛋白對應的mRNA二級結構，其能量為-967.8 kcal/mol。

△圖A

這一能量衡量了mRNA二級結構的穩(wěn)定性，能量越低（越負）表明越穩(wěn)定。

mRNA由多個核苷酸（共四種，分別是A、U、C、G）串聯(lián)而成，蛋白質由多個氨基酸（共21種）串聯(lián)而成。每三個核苷酸（稱為一個密碼子）翻譯成一個蛋白質。顯而易見，三個核苷酸共有4的三次方共64種組合，那么必然有多個密碼子對應一個氨基酸，也就是說有很多mRNA序列都可以翻譯成同一個蛋白質（抗原）序列。具體來說，新冠病毒刺突蛋白（抗原）共有1273個氨基酸，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1萬個隨機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LinearDesign算法來回答這個問題。

下圖(C)便是LinearDesign設計出來的序列二級結構，其能量為-2477.7 kcal/mol，比A、B低一倍還多。

△圖C

它的二級結構非常緊密，幾乎所有的堿基都形成了堿基對。而堿基對越多，通常能量越低，結構越穩(wěn)定。

從上面對比圖可以看出，在新冠病毒的刺突蛋白序列上的計算機模擬實驗表明，LinearDesign算法可以設計出比Wildtype序列穩(wěn)定得多的結構，而且設計時間只需要1個半小時。

如果采用線性時間近似，所需時間可以進一步縮短到16分鐘， 而相比于最穩(wěn)定序列，線性近似算法設計出的序列與其能量僅相差0.6%。

上圖對比了刺突蛋白的野生型mRNA、隨機生成的mRNA序列、以及LinearDesign設計序列的穩(wěn)定性和蛋白質表達水平。圖中橫坐標是衡量穩(wěn)定性的參數(shù)MFE，越低越好；縱坐標是衡量蛋白質表達水平的參數(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（抗原）。

野生型和隨機生成的序列都集中在右下方，而LinearDesign設計的序列在左上方。其中最左側的點是LinearDesign設計出的最穩(wěn)定的序列，其MFE為-2477.7 kcal/mol. 而隨著調整lambda值（一個平衡MFE和CAI的超參數(shù)），可得到一條淡藍色的曲線，這個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計出的序列，可以看到它和精確算法找出的序列（淡藍色曲線）非常接近，但設計時間大大縮短。

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

那么，LinearDesign到底是如何做到這點的呢？

LinearDesign原理：降低搜索空間至多項式級

主要面臨的問題，就是如何解決如此龐大的搜索空間。

LinearDesign通過動態(tài)規(guī)劃算法，來將這一問題的搜索空間從指數(shù)級降低到多項式級。

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

在此基礎上，將氨基酸的DFA串聯(lián)起來，即可得到一段蛋白質序列的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找出二級結構最穩(wěn)定的mRNA序列。

這里借用了計算語言學中常用的一個工具，隨機上下文無關語法（SCFG）。RNA二級結構可以通過SCFG構建語法樹來表示。

mRNA疫苗序列設計優(yōu)化問題實際上是將單個RNA序列的二級結構計算（RNAfolding）推廣到多個RNA序列。

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

下圖給出了一個具體的例子，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上，對算法做了如下擴展：

• 借用LinearFold思想，進一步將計算復雜度從三次方復雜度降低到線性，大幅度縮短設計mRNA序列所需要的時間；
• 從提供一個最優(yōu)的mRNA序列，到可以提供前k個次優(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的疫苗序列；
• 同時優(yōu)化二級結構穩(wěn)定性和蛋白質表達效率，設計出穩(wěn)定性好、蛋白質表達效率高的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，對于科學家來說其實還存在一個困擾。

為了了解新冠病毒的進化和各個基因的功能，科學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基因組并進行全基因組測序。

然而，公共存儲庫每天都在迅速發(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，科學家需要經常下載并重新整理新的數(shù)據(jù)集，這可能會花費大量時間和精力。
• 另一方面，對于生物信息學知識有限的科學家可能會發(fā)現(xiàn)，當他們拿到新序列時，很難快速有效的進行分析。
• 而且，目前沒有可以自動注釋SARS-CoV-2基因和基因突變的軟件。

因此，百度開發(fā)了CoV-Seq分析平臺來解決上述問題。

CoV-Seq由幾個組件組成。

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)。工具會自動過濾低質量的序列并刪除重復的序列，執(zhí)行序列比對，調用并注釋遺傳變異。

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果。

獨立腳本，以允許在本地計算機上進行高吞吐量的處理。

CoV-Seq分析平臺的論文已經上線：

進擊的計算生物學硬實力

百度研究院開展RNA二級結構領域的研究，其實是在2018年剛剛開始。

但就是在這短短的2年時間里，百度研究院RNA團隊，除了此次的LinearDesign外，還推出了LinearFold、LinearPartition，研究成果相繼被計算生物學領域頂級會議ISMB接收，引起業(yè)內的關注。

這也足以體現(xiàn)百度在生物計算研究領域的技術實力。

正所謂能力越大，責任越大。面對突如其來的疫情，百度于1月份對外免費開放了可以大大提升新冠RNA二級結構分析速度的LinearFold服務，引起了全世界科研機關、防疫機構和生物醫(yī)學公司的廣泛關注，多家機構聯(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，讓研究人員能夠加速科研的進展。

不僅如此，這樣的技術、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/