深度学习助力预测SARS-CoV-2抗原性演变：MLAEP框架的创新与应用

自新冠疫情爆发以来，SARS-CoV-2病毒的持续变异给全球公共卫生带来了严峻挑战。病毒在免疫压力下不断进化，催生出如Alpha、Beta、Delta和Omicron等变种，这些变种不仅具有更高的传播能力，还显著增强了免疫逃逸特性，严重削弱了现有疫苗和抗体疗法的效果。在这样的背景下，深入研究病毒抗原性演变的规律，对于预测未来高风险变种、优化疫苗设计以及制定有效的公共卫生策略具有极其重要的意义。

为应对这一挑战，研究人员提出了机器学习引导的抗原性演变预测（MLAEP）框架，为病毒演变研究提供了一种创新的深度学习解决方案。MLAEP框架整合了结构建模、多任务学习和遗传算法三大核心技术，旨在精准预测病毒的适应性景观并探索其抗原性演变路径。研究团队首先开发并训练了一个多任务深度神经网络模型，该模型能够同时预测病毒变种的RBD（受体结合域）对ACE2和四类抗体的结合特异性。模型的输入为变种RBD序列以及ACE2/抗体的三维结构，输出则为变种对这些目标的结合特异性。在技术实现上，研究中采用了ESM-1b语言模型进行序列特征提取，并通过结构变换器进行结构特征提取，最终结合九个分类器完成了多任务学习。模型在训练过程中通过端到端的方式进行优化，从而实现了对变种结合特异性的高效预测。

MLAEP框架的优势不仅体现在技术上的创新，更在于其预测结果的准确性和可验证性。研究团队利用该框架对病毒变种的抗原性演变进行了预测，并通过体外中和抗体结合实验验证了预测结果。实验表明，MLAEP能够精准预测具有高免疫逃逸潜力的变种。例如，在与Delta变种的对比实验中，由MLAEP生成的合成变种在结合四类抗体时展现了显著的免疫逃逸能力。具体而言，RBD3、RBD4、RBD7、RBD8和RBD9等合成变种在与不同类别中和抗体的结合实验中，显示出降低或消失的结合效能。这些结果不仅验证了MLAEP预测的准确性，更凸显了其在发现潜在高风险新变种方面的巨大潜力。

展望未来，MLAEP框架的应用前景十分广阔。它为病毒抗原性演变的预测提供了一种强大的工具，能够帮助科学家提前识别可能具有免疫逃逸能力的病毒变种，从而为疫苗研发和公共卫生决策提供重要支持。随着技术的不断发展和完善，MLAEP有望在以下几个方面发挥更大的作用：一是进一步提升模型对突变效应定量预测的准确性，为病毒演变研究提供更精细的数据支持；二是扩展模型的应用范围，涵盖病毒基因组的更多区域以及其他快速进化的病毒，增强其通用性和适应性；三是结合更多类型的免疫反应数据，如T细胞反应，以更全面地理解病毒的演化动力学，为免疫学研究提供新的视角。

参考文献：

[1] Han W, Chen N, Xu X, Sahil A, Zhou J, Li Z, Zhong H, Gao E, Zhang R, Wang Y, Sun S, Cheung PP, Gao X. Predicting the antigenic evolution of SARS-COV-2 with deep learning. Nat Commun. 2023 Jun 13;14(1):3478. doi: 10.1038/s41467-023-39199-6.