“通过LucaProt,我们发现了许多未研究过的病毒群体,以及具有特殊长度、复杂基因组结构的RNA病毒类型。”中山大学医学院施莽教授团队从“已知”中寻找“未知”,将人工智能技术应用于病毒鉴定。他们跨越重重技术难关,发现了大量全新RNA病毒。
过去,人们通过分离培养病毒,在显微镜下观察确认病毒的存在。随着技术发展,科学家们利用测序技术,通过比较未知病毒和已知病毒核酸序列的相似性,来识别和鉴定新病毒。然而,这些传统的病毒发现方法比较依赖既有知识,尤其在面对缺乏同源性或同源性低的“暗物质病毒”时,很容易失灵。
如何突破传统病毒发现方法的瓶颈,用更高效、更精准的方法去发现和鉴定新病毒,并进行下游的验证工作?这是摆在中山大学研究团队面前的现实问题。
2020年起,中山大学研究团队开发了一种基于同源性的生物信息学算法,它能够帮助科研人员发现远缘的病毒,但仍面临着操作烦琐,以及难以深入探测“暗物质病毒”的技术难关。2022年,中山大学研究团队与阿里云李兆融团队的一次偶然交流,为发现“暗物质病毒”带来了契机。此后,两个团队展开紧密合作,联合开发用于病毒发现的人工智能模型。
合作的初期,中山大学研究团队对新兴AI模型不熟悉,阿里云的算法工程师们不了解病毒学。为搭建服务于病毒鉴定的人工智能模型,双方不断为对方普及各自领域的知识。尽管相隔数千公里,在日常线上沟通的基础上,他们还经常互相拜访,共同讨论问题。
除沟通问题外,模型优化也是一个不小的挑战。当时,中山大学研究团队基于蛋白质序列数据训练模型,经过测试后,模型的准确率能达到80%以上,但团队认为仍有提升空间。项目相关负责人回忆:“通过进一步讨论,我们意识到过去的研究过于依赖序列信息,而忽视了结构信息的重要性。”因此,他们更新了模型,在传统的序列比较基础上,加入预测的蛋白质结构信息。这样的改进大幅提升了区分RNA病毒的准确性和效率。
反复优化模型后,LucaProt人工智能算法能够对病毒和非病毒基因组序列深度学习,且能在数据集中后,自主判断病毒序列。“与传统方法相比,LucaProt结合了序列和预测结构信息,在准确性、效率以及检测病毒多样性方面,展现出了很大优势。”项目相关负责人介绍,LucaProt人工智能算法专为RNA病毒发现而设计,其框架融合了蛋白质序列与隐含的结构信息。科研人员输入蛋白质序列,就可以对该序列进行判别。
“人工智能的速度和精度可以帮助科学家更快地锁定潜在病原体,而这种能力在疾病防控和新病原的快速识别中尤为重要。”在施莽看来,人工智能是一位“好助手”。
在来自全球生物环境样本的10487份RNA测序数据中,研究团队利用这套算法,发现了超过51万条病毒基因组,代表超过16万个潜在病毒种及180个RNA病毒超群,使RNA病毒超群数量扩容约9倍。其中23个超群无法通过序列同源方法识别,被称为病毒圈的“暗物质”。
新病毒的发现,刷新着科学家对病毒圈的认识。通过进一步分析,团队报告了迄今最长的RNA病毒基因组,长度达到47250个核苷酸,并发现了超出以往认知的基因组结构,展现出RNA病毒基因组进化的灵活性。项目相关负责人表示,LucaProt在未来将成为重要的病毒鉴定工具。随着病毒数据积累得越来越多,研究团队可以在此基础上开展增量训练,进一步发现更多缺乏序列同源性的“暗物质病毒”。
“病毒的多样性远超人类想象,我们目前所看到的仍是冰山一角。”在施莽看来,团队的研究展示了病毒多样性的深度,但广度仍有待更多样本的补充。