- 4 次围观
5'非翻译区（5'UTR）塑造了翻译起始过程，因此其设计对于mRNA治疗以及改进蛋白质生产细胞系至关重要。基于深度学习的模型可根据5'UTR序列预测以平均核糖体负载（mean ribosome load, MRL）衡量的翻译效率，并已与遗传算法（genetic algorithms, GAs）结合用于序列优化。然而，针对离线数据训练得到的模型进行优化，存在奖励劫持的风险，即利用模型在训练分布之外的估计误差，产生在预测中得分很高、却无法在湿实验中表现良好的序列。然而，对于5'UTR设计，迄今鲜有研究系统考察应将哪些区域视为不可信区域（即分布外，out-of-distribution, OOD）的定义，或应采用哪些约束使搜索远离这些区域。我们提出了一种受约束优化方法，使候选序列保持在一个可信区域内，在该区域中预测器经过验证的准确性能够成立；此处“可靠”是指将候选序列限制在已验证预测性能的训练分布之内，而不意味着对实测性能作出保证。作为OOD评分，我们比较了预测器嵌入空间中的k近邻（k-nearest-neighbor, KNN）距离与由编码器和语言模型头（LM head）计算得到的伪困惑度（pseudo-perplexity, PPPL），并表明对于词汇表较小的核苷酸序列而言，PPPL无法区分分布内与分布外样本，而KNN距离是一种有效的OOD评分，甚至可以仅基于无标签的天然UTR序列来定义可信区域。将KNN距离用作遗传算法中的硬约束，可以在保持预测MRL的同时，使所有候选序列都留在可信区域内：在无约束优化下，大多数末代候选序列（不同随机种子下为72–96%）离开了可信区域（self-KNN p95），而硬约束则将预测MRL维持在无约束水平，并且相比对无约束输出进行事后筛选，可产生约4.3倍更多可选的低风险候选序列。通过比较输出外推保护、参考序列相似性以及结构可及性（RNAplfold），我们发现保护机制和相似性约束也会作为副作用抑制OOD，而将可及性设为次级优化目标则会扩大搜索范围，但不会抑制OOD。
5'非翻译区（5'UTR）决定翻译起始过程，因此其设计对于mRNA治疗以及提高蛋白质生产细胞系至关重要。基于深度学习的模型已被用于根据5'UTR序列预测以平均核糖体负载（mean ribosome load, MRL）衡量的翻译效率，并与遗传算法（genetic algorithms, GAs）结合以进行序列优化。然而，针对离线数据训练得到的模型进行优化，存在奖励劫持的风险，即利用模型在训练分布之外的估计误差，产生在预测中得分很高、却无法在湿实验中实现预期性能的序列。然而，在5'UTR设计中，鲜有研究系统性地考察应将哪些区域视为不可信区域（即分布外，out-of-distribution, OOD）的定义），或哪些约束能够使搜索过程避开这些区域。我们提出了一种受约束优化方法，将候选序列限制在一个信任区域内，在该区域中预测器经过验证的准确性能够成立；这里“可靠”是指将候选序列保持在已验证预测有效性的训练分布之内，而并不保证其实测性能。作为OOD评分，我们比较了预测器嵌入空间中的k近邻（k-nearest-neighbor, KNN）距离与来自编码器和语言模型头（LM head）的伪困惑度（pseudo-perplexity, PPPL），并表明对于词汇表较小的核苷酸序列，PPPL无法区分分布内与分布外样本，而KNN距离是一种有效的OOD评分，甚至可以仅基于无标签的天然UTR序列来定义信任区域。将KNN距离作为遗传算法中的硬约束，可以在维持预测MRL的同时，使所有候选序列始终位于信任区域内：在无约束优化下，大多数最终代候选序列（不同随机种子下为72–96%）离开了信任区域（self-KNN p95）；而硬约束能够将预测MRL保持在无约束水平，并且相比于对无约束输出进行事后筛选，可产生约4.3倍更多可供选择的低风险候选序列。通过比较输出外推防护、参考序列相似性以及结构可及性（RNAplfold），我们发现，外推防护和相似性约束也会作为副作用抑制OOD，而将可及性作为次级优化目标则会拓宽搜索范围，却不能抑制OOD。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.03.742388v1?rss=1
🏷️ 5'UTR设计 机器学习优化 分布外检测 遗传算法 翻译效率预测 mRNA治疗