“通過LucaProt，我們發(fā)現(xiàn)了許多未研究過的病毒群體，以及具有特殊長度、復雜基因組結(jié)構(gòu)的RNA病毒類型?！敝猩酱髮W醫(yī)學院施莽教授團隊從“已知”中尋找“未知”，將人工智能技術(shù)應(yīng)用于病毒鑒定。他們跨越重重技術(shù)難關(guān)，發(fā)現(xiàn)了大量全新RNA病毒。

過去，人們通過分離培養(yǎng)病毒，在顯微鏡下觀察確認病毒的存在。隨著技術(shù)發(fā)展，科學家們利用測序技術(shù)，通過比較未知病毒和已知病毒核酸序列的相似性，來識別和鑒定新病毒。然而，這些傳統(tǒng)的病毒發(fā)現(xiàn)方法比較依賴既有知識，尤其在面對缺乏同源性或同源性低的“暗物質(zhì)病毒”時，很容易失靈。

如何突破傳統(tǒng)病毒發(fā)現(xiàn)方法的瓶頸，用更高效、更精準的方法去發(fā)現(xiàn)和鑒定新病毒，并進行下游的驗證工作？這是擺在中山大學研究團隊面前的現(xiàn)實問題。

2020年起，中山大學研究團隊開發(fā)了一種基于同源性的生物信息學算法，它能夠幫助科研人員發(fā)現(xiàn)遠緣的病毒，但仍面臨著操作煩瑣，以及難以深入探測“暗物質(zhì)病毒”的技術(shù)難關(guān)。2022年，中山大學研究團隊與阿里云李兆融團隊的一次偶然交流，為發(fā)現(xiàn)“暗物質(zhì)病毒”帶來了契機。此后，兩個團隊展開緊密合作，聯(lián)合開發(fā)用于病毒發(fā)現(xiàn)的人工智能模型。

合作的初期，中山大學研究團隊對新興AI模型不熟悉，阿里云的算法工程師們不了解病毒學。為搭建服務(wù)于病毒鑒定的人工智能模型，雙方不斷為對方普及各自領(lǐng)域的知識。盡管相隔數(shù)千公里，在日常線上溝通的基礎(chǔ)上，他們還經(jīng)常互相拜訪，共同討論問題。

除溝通問題外，模型優(yōu)化也是一個不小的挑戰(zhàn)。當時，中山大學研究團隊基于蛋白質(zhì)序列數(shù)據(jù)訓練模型，經(jīng)過測試后，模型的準確率能達到80%以上，但團隊認為仍有提升空間。項目相關(guān)負責人回憶：“通過進一步討論，我們意識到過去的研究過于依賴序列信息，而忽視了結(jié)構(gòu)信息的重要性。”因此，他們更新了模型，在傳統(tǒng)的序列比較基礎(chǔ)上，加入預測的蛋白質(zhì)結(jié)構(gòu)信息。這樣的改進大幅提升了區(qū)分RNA病毒的準確性和效率。

反復優(yōu)化模型后，LucaProt人工智能算法能夠?qū)Σ《竞头遣《净蚪M序列深度學習，且能在數(shù)據(jù)集中后，自主判斷病毒序列?！芭c傳統(tǒng)方法相比，LucaProt結(jié)合了序列和預測結(jié)構(gòu)信息，在準確性、效率以及檢測病毒多樣性方面，展現(xiàn)出了很大優(yōu)勢。”項目相關(guān)負責人介紹，LucaProt人工智能算法專為RNA病毒發(fā)現(xiàn)而設(shè)計，其框架融合了蛋白質(zhì)序列與隱含的結(jié)構(gòu)信息?？蒲腥藛T輸入蛋白質(zhì)序列，就可以對該序列進行判別。

“人工智能的速度和精度可以幫助科學家更快地鎖定潛在病原體，而這種能力在疾病防控和新病原的快速識別中尤為重要?！痹谑┟Э磥恚斯ぶ悄苁且晃弧昂弥帧?。

在來自全球生物環(huán)境樣本的10487份RNA測序數(shù)據(jù)中，研究團隊利用這套算法，發(fā)現(xiàn)了超過51萬條病毒基因組，代表超過16萬個潛在病毒種及180個RNA病毒超群，使RNA病毒超群數(shù)量擴容約9倍。其中23個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)”。

新病毒的發(fā)現(xiàn)，刷新著科學家對病毒圈的認識。通過進一步分析，團隊報告了迄今最長的RNA病毒基因組，長度達到47250個核苷酸，并發(fā)現(xiàn)了超出以往認知的基因組結(jié)構(gòu)，展現(xiàn)出RNA病毒基因組進化的靈活性。項目相關(guān)負責人表示，LucaProt在未來將成為重要的病毒鑒定工具。隨著病毒數(shù)據(jù)積累得越來越多，研究團隊可以在此基礎(chǔ)上開展增量訓練，進一步發(fā)現(xiàn)更多缺乏序列同源性的“暗物質(zhì)病毒”。

“病毒的多樣性遠超人類想象，我們目前所看到的仍是冰山一角?！痹谑┟Э磥恚瑘F隊的研究展示了病毒多樣性的深度，但廣度仍有待更多樣本的補充。（中國教育報-中國教育新聞網(wǎng)通訊員 張梓欣 記者 劉盾）