实验反馈驱动的生成模型优化显著提升生物序列设计成功率

本研究针对生成模型在生物序列设计中假阳性率高的问题，提出基于似然的实验反馈整合方案。研究人员通过DCA（Direct Coupling Analysis）模型对RNA（核糖核酸）和蛋白质序列进行设计，结合Group I内含子核酶等实验验证，将功能性序列生成率从6.7%提升至63.7%。该成果为克服进化数据局限性、实现精准生物分子设计提供了新范式。

　　

在人工智能与合成生物学交叉领域，生成模型已成为设计功能性生物序列的重要工具。然而，这些模型面临一个致命缺陷：它们像一位想象力丰富但缺乏实践经验的画家，虽然能绘制出绚丽的蓝图，却常常无法通过实验验证——假阳性率居高不下。Francesco Calvanese等人在《Nucleic Acids Research》发表的研究，通过巧妙整合实验反馈，让生成模型真正"学会"区分功能性与非功能性序列，将设计成功率提升近10倍。

传统生成模型（如DCA、变分自编码器）依赖多重序列比对（MSA）数据训练，但自然进化数据存在两大局限：一是功能序列的采样稀疏性，二是实验室条件与生物体原生环境的差异。这导致模型生成的序列在计算机中"看起来很美"，却在试管中"黯然失色"。正如研究者比喻："进化约束如同模糊的地图，而实验反馈则是精准的GPS"。

为解决这一难题，团队开发了基于似然的反馈整合框架。其核心在于构建动态调整的权重函数w(b)：实验验证的功能序列获得正权重（+1），失败序列被赋予负权重（-1）。通过调节强度参数λ，模型在保持Potts模型数学结构不变的前提下，重新校准参数，使生成序列向功能区域集中。

关键技术方法包括：1）采用直接耦合分析（DCA）构建初始生成模型P¹；2）基于RNAeval计算RNA折叠自由能作为计算验证指标；3）对Group I内含子核酶开展高通量自剪接实验；4）通过主成分分析（PCA）可视化序列空间分布演变；5）开发两种反馈整合策略（标准REINT和分箱平衡REINT SB0）。实验数据来源于Rfam数据库的tRNA、核糖开关等RNA家族，以及chorismate mutase（CM）蛋白质家族。

材料与方法

研究创新性地将实验数据转化为修正频率?f，通过公式(10)-(12)实现DCA参数的迭代优化。针对RNA设计，采用eaDCA（edge activation DCA）提升效率；蛋白质案例则使用adabmDCA（adaptive Boltzmann Machine DCA）的GPU加速实现。

结果与讨论

计算验证

在SAM核糖开关（RF00162）测试中，反馈整合使模型熵S从63.4降至53.3，但功能性序列比例从49.9%飙升至99.4%。

蛋白质设计突破

对CM酶的设计中，逻辑回归评估的功能序列比例从36.6%提升至66.3%。PCA分析揭示，新模型生成的序列（图3D蓝色点）主动避开实验验证的非功能区域（图3E红色点）。

实验验证里程碑

Group I内含子核酶设计中，REINT SB0模型在60个突变位点仍保持23.6%活性，远超基础模型2.0%的水平（表3）。

这项研究证实：通过"计算设计→实验验证→反馈优化"的闭环，即使不增加模型复杂度，也能大幅提升设计可靠性。其意义不仅在于技术突破，更揭示了生物序列设计的本质——自然进化数据只是起点，实验反馈才是划定功能边界的"金标准"。未来，这种迭代框架有望应用于CRISPR引导RNA设计、人工酶开发等领域，加速合成生物学从经验摸索向理性设计的跨越。