登Nature子刊！北大團隊用AI預測新冠/艾滋病/流感病毒進化方向，精度提升67%

可跨病毒類型、跨毒株預測，泛化能力極佳

原標題：登Nature子刊！北大團隊用AI預測新冠/艾滋病/流感病毒進化方向，精度提升67%
文章來源：HyperAI超神經(jīng)
內容字數(shù)：10141字

北京大學團隊研發(fā)E2VD框架，精準預測病毒進化

本文介紹了北京大學信息工程學院田永鴻教授、陳杰副教授團隊與廣州國家實驗室周鵬研究員合作，由博士生聶志偉、碩士生劉旭東等完成的一項重要研究成果：進化驅動的病毒變異驅動力預測框架E2VD。該框架發(fā)表于2025年1月17日的《Nature Machine Intelligence》雜志，能夠精準預測新冠病毒、流感病毒、寨卡病毒和艾滋病病毒的進化方向，為疫苗和藥物的快速優(yōu)化提供了重要支持。

1. 研究背景：病毒變異預測的挑戰(zhàn)

病毒的高變異性和突變的隨機性，導致有益突變（正樣本）極其稀少，這給深度學習模型的訓練帶來了巨大挑戰(zhàn)。此外，病毒突變位點有限，也使得模型難以捕捉微弱的分子內相互作用變化。

2. E2VD框架：創(chuàng)新性設計

為了解決上述難題，研究團隊提出了E2VD框架，該框架包含三個主要模塊：

1. 蛋白質序列編碼模塊：自主訓練的定制化蛋白質大語言模型，精準提取病毒蛋白序列特征。

2. 局部-全局相互作用依賴融合模塊：利用卷積神經(jīng)網(wǎng)絡(CNN)和動態(tài)注意力機制，捕捉突變與周圍氨基酸的相互作用，解決微弱突變效應難以捕獲的問題。

3. 多任務焦點學習模塊：結合多任務學習和難樣本挖掘策略，特別是設計了新穎的多任務焦點損失函數(shù)(Multi-task Focal Loss)，提升模型對稀少有益突變的預測能力。

E2VD框架具有靈活的輸入輸出設計，可以用于多種病毒類型和預測任務，例如結合親和力、表達量、抗體逃逸能力等。

3. 實驗結果：顯著提升預測精度和泛化能力

實驗結果表明，E2VD在預測有益突變的精度上提升了67%，顯著超越了其他主流方法。定制化的蛋白質語言模型在參數(shù)量更少的情況下，也取得了優(yōu)于大型模型ESM2-15B的效果。E2VD還展現(xiàn)出極佳的泛化能力，能夠跨病毒類型、跨毒株進行準確預測。

4. E2VD的應用和未來展望

E2VD能夠解釋病毒進化路徑、預測高風險突變，并模擬病毒在真實世界中的進化軌跡。未來，團隊計劃將E2VD與疫苗和蛋白藥物設計流程結合，提高設計效率和可控性，為病毒防治和藥物設計帶來突破。

5. 團隊背景及其他研究成果

該團隊在AI for Life Science領域擁有深厚積累，曾獲得2022年度“戈登貝爾新冠特別獎”，并在高性能計算應用方面取得了顯著成果，例如開發(fā)針對SARS-CoV-2 RBD突變模擬的高通量篩選方法以及多用途酶-底物相互作用預測框架MESI。

總而言之，E2VD框架為病毒進化預測提供了強大的工具，為應對未來新發(fā)病毒感染提供了重要保障，也為AI在生命科學領域的應用提供了新的范例。

聯(lián)系作者

文章來源：HyperAI超神經(jīng)
作者微信：
作者簡介：解構技術先進性與普適性，報道更前沿的 AIforScience 案例