中國科學(xué)家運(yùn)用人工智能算法發(fā)現(xiàn)大量全新 RNA 病毒，大幅拓寬 RNA 病毒庫

　　IT之家從中山大學(xué)官方微信公眾號獲悉，10 月 9 日，中山大學(xué)醫(yī)學(xué)院施莽教授團(tuán)隊(duì)與阿里云李兆融團(tuán)隊(duì)在《細(xì)胞》(Cell)雜志上發(fā)表論文，報(bào)告了 180 個(gè)超群、超過 16 萬種全球 RNA 病毒的發(fā)現(xiàn)，這是迄今為止規(guī)模最大的 RNA 病毒研究，大幅擴(kuò)展了全球 RNA 病毒的多樣性，該研究將人工智能技術(shù)應(yīng)用于病毒鑒定，發(fā)現(xiàn)了傳統(tǒng)方法未能發(fā)現(xiàn)的病毒“暗物質(zhì)”，探索了病毒學(xué)研究的新路徑。

　　據(jù)介紹，傳統(tǒng)的病毒發(fā)現(xiàn)方法包括病毒分離和生命組學(xué)的生物信息學(xué)分析，高度依賴既有知識，面對 RNA 病毒這種高度分化、種類繁多且容易變異的病毒識別效率低。該研究團(tuán)隊(duì)開發(fā)的 LucaProt 人工智能算法能夠?qū)Σ《竞头遣《净�因組序列深度學(xué)習(xí)，并在數(shù)據(jù)集中自主判斷病毒序列。

　　據(jù)IT之家了解，LucaProt 是一種能夠深度學(xué)習(xí)的 Transformer 模型，在大量學(xué)習(xí)病毒和非病毒基因組序列后，可以自主形成一套關(guān)于病毒的判斷標(biāo)準(zhǔn)，從而在大量的 RNA 測序數(shù)據(jù)集中挖掘出病毒序列。在測試中，LucaProt 表現(xiàn)出極高的準(zhǔn)確性和特異性，假陽性率為 0.014%，假陰性率為 1.72%。在與其他病毒挖掘工具的對比中，它也在處理較長序列的方面展現(xiàn)出優(yōu)勢。

　　利用 LucaProt，研究團(tuán)隊(duì)對來自全球生物環(huán)境樣本的 10,487 份 RNA 測序數(shù)據(jù)進(jìn)行病毒挖掘，發(fā)現(xiàn)了超過 51 萬條病毒基因組，代表超過 16 萬個(gè)潛在病毒種及 180 個(gè) RNA 病毒超群(相當(dāng)于門或綱的分類級別)，使 RNA 病毒超群數(shù)量擴(kuò)容約 9 倍。其中 23 個(gè)超群無法通過序列同源方法識別，被稱為病毒圈的“暗物質(zhì)”。

　　在這項(xiàng)研究中，團(tuán)隊(duì)報(bào)告了迄今最長的 RNA 病毒基因組，長度達(dá)到 47,250 個(gè)核苷酸;發(fā)現(xiàn)了超出以往認(rèn)知的基因組結(jié)構(gòu)，展現(xiàn)出 RNA 病毒基因組進(jìn)化的靈活性;識別到多種病毒功能蛋白，特別是與細(xì)菌相關(guān)的功能蛋白，進(jìn)一步表明還有更多類型的 RNA 噬菌體亟待探索。

　　研究指出，新發(fā)現(xiàn)的病毒分布在地球的各類生態(tài)環(huán)境中�？傮w上，落葉層、濕地、淡水和廢水環(huán)境的病毒多樣性最高。然而，在南極底泥、深海熱泉、活性污泥和鹽堿灘等極端環(huán)境中，RNA 病毒的多樣性和豐度并不低，甚至在深海熱泉的高溫環(huán)境中，仍有 RNA 病毒在活躍復(fù)制。

　　LucaProt 雖然是一個(gè)專門為 RNA 病毒發(fā)現(xiàn)設(shè)計(jì)的模型，但它同時(shí)融合了對蛋白質(zhì)序列和隱含結(jié)構(gòu)信息識別的功能，也可用于蛋白質(zhì)功能的鑒定。在論文中，研究團(tuán)隊(duì)開源了 LucaProt 模型，并通過在線網(wǎng)站分享給全球科學(xué)家。