基于深度学习的mRNA密码子优化新范式RiboDecode：显著增强翻译效率与治疗效能

《Nature Communications》：Deep generative optimization of mRNA codon sequences for enhanced mRNA translation and therapeutic efficacy

本刊推荐：为解决mRNA疗法中蛋白质表达效率低下的瓶颈问题，研究人员开发了深度学习框架RiboDecode，通过直接学习核糖体图谱数据生成优化密码子序列。实验表明该框架在体外将蛋白表达提升2-41倍，在流感疫苗和小鼠视神经损伤模型中分别实现10倍中和抗体提升和1/5剂量等效神经保护，标志着mRNA设计从规则驱动到数据驱动的范式转变。

　　

在生物医学领域，mRNA疗法作为新型治疗策略展现出巨大潜力，特别是在新冠疫苗研发中取得突破性进展。然而，如何提高mRNA在细胞内的蛋白质表达效率仍是制约其临床应用的关键瓶颈。传统密码子优化方法主要依赖密码子适应指数(CAI)等规则性指标，但这些指标与实验测量的蛋白表达水平相关性有限，且未能充分考虑细胞特异性环境因素的影响。

针对这一挑战，研究团队在《Nature Communications》发表了题为"Deep generative optimization of mRNA codon sequences for enhanced mRNA translation and therapeutic efficacy"的研究论文，开发了名为RiboDecode的深度学习框架。该框架通过整合大规模核糖体图谱(Ribo-seq)数据，实现了mRNA密码子序列的智能优化，显著提升了翻译效率和治疗效能。

关键技术方法包括：基于卷积神经网络构建的翻译预测模型，利用来自24种人源组织/细胞的320组Ribo-seq数据集训练；采用激活最大化算法的密码子优化器；以及可微分的最小自由能(MFE)预测模型。研究涵盖了荧光素酶报告基因、流感血凝素(HA)和神经生长因子(NGF)等多种蛋白，通过体外细胞实验和小鼠模型验证优化效果。

翻译预测模型的评估

研究人员首先评估了RiboDecode预测模型的性能，在"未见基因"、"未见环境"和"两者皆未见"三种交叉验证数据集上，模型分别达到0.81、0.89和0.81的决定系数(R²)，表明其具有良好的泛化能力。消融分析显示mRNA丰度是预测翻译水平的最重要因素，而密码子序列和细胞环境的加入分别使R²提升0.15和0.06。通过整合梯度分析发现，翻译起始位点附近的密码子对预测贡献更大，这与翻译起始调控的生物学知识一致。

RiboDecode的优化策略

在序列优化方面，RiboDecode通过t-SNE可视化展示了其探索高翻译序列空间的能力。研究发现，优化后的序列倾向于使用高效翻译内源基因偏好的密码子，且这种模式在不同细胞环境中保持一致。序列特征分析显示，高翻译mRNA通常伴随尿苷含量(U%)增加和有效密码子数(ENC)降低，表明优化策略倾向于减少二级结构形成和避免稀有密码子使用。

实验验证显示多功能性和有效性

体外实验表明，RiboDecode优化的高斯荧光素酶(Gluc)序列蛋白表达水平显著优于传统方法LinearDesign设计的序列(p=0.019)。在细胞特异性优化方面，针对HEK293T细胞设计的序列在该细胞系中的表达显著高于A549和ARPE19细胞。值得注意的是，RiboDecode优化的序列在m1Ψ修饰mRNA和环状mRNA形式中均保持优异性能，Gluc在m1Ψ修饰mRNA中表达提升4.6倍，环状mRNA中所有变体均优于对照。

增强mRNA流感疫苗的免疫原性

在应用层面，优化后的流感血凝素(HA)序列RD3在体外表达提升约6倍，且在m1Ψ修饰和环状mRNA形式中均保持高水平。小鼠实验显示，RD3序列诱导的中和抗体滴度在初次免疫和加强免疫中分别比野生型提高4.4倍和9.6倍，显著优于传统灭活病毒疫苗。

优化NGF mRNA增强治疗效果

在治疗应用方面，优化的神经生长因子(NGF)序列RD3在m1Ψ修饰mRNA中表达提升8.4-9.8倍。小鼠视网膜注射实验表明，100ng/μL剂量的RD3已达到500ng/μL野生型的表达水平。在视神经钳损(ONC)模型中，低剂量RD3处理组的视网膜神经节细胞存活数量显著高于同等剂量野生型组，且与5倍剂量野生型处理效果相当。

研究结论与意义

该研究开发的RiboDecode框架代表了mRNA优化从规则驱动到数据驱动的范式转变。其创新性在于直接学习翻译功能数据而非依赖预设指标，能够探索传统方法无法触及的序列空间，并在多种mRNA形式中保持稳健性能。研究证实了优化序列在疫苗开发和蛋白替代治疗中的巨大潜力，为开发更高效、低剂量的mRNA疗法奠定了基础。

未来研究方向包括将优化范围扩展至5'UTR区域，开发通用MFE预测模型，以及整合修饰和环状mRNA数据进一步优化算法。该技术为mRNA疗法的精准设计提供了强大工具，有望推动传染病预防、神经保护治疗等多个领域的发展。