arXiv cs.AI· Alberto Caron, Tianyu Cui, Dmytro S. Lituiev, Mangal Prakash, Artem Moskalev, Amina Mollaysa, Bo Zhai, Hirsh Nanda, Daniel M. Poole, Zhongyin Liu, Iman Farasat, Robert Davidson, Nikolay V. Manyakov, Tommaso Mansi, Scott Oloff, Rui Liao·· 12 小时前AI 评分31
LSCO：预测器引导的潜在空间密码子优化，提升蛋白表达
Predictor-Guided Latent Space Codon Optimization for Maximizing Protein Expression
AI 导读
研究提出潜在空间密码子优化（LSCO），将离散密码子选择问题映射到预训练 mRNA 语言模型的潜在空间，实现基于梯度的搜索。LSCO 结合不确定性感知预测器的表达目标、最小自由能正则项、蛋白到密码子回译模型的自然性先验与约束解码。在真实湿实验抗体表达数据集上，其预测表达优于频率法和现代深度生成基线，并保持合适的生物物理性质。
正文 · AI 翻译
作者：Alberto Caron、Tianyu Cui、Dmytro S. Lituiev、Mangal Prakash、Artem Moskalev、Amina Mollaysa、Bo Zhai、Hirsh Nanda、Daniel M. Poole、Zhongyin Liu、Iman Farasat、Robert Davidson、Nikolay V. Manyakov、Tommaso Mansi、Scott Oloff、Rui Liao
摘要：密码子优化是指选择同义密码子以提高 mRNA 翻译效率和蛋白质表达的过程，是治疗性蛋白质生产和 mRNA 疫苗的核心环节，但仍是一个难题。其设计空间是离散的且组合规模巨大，无法使用基于梯度的方法，而现有工具依赖启发式代理指标（如密码子适应指数或 GC 含量），难以准确反映真实表达水平。我们提出潜在空间密码子优化（LSCO），通过将序列映射到预训练 mRNA 语言模型的潜在空间，把这一离散问题重新表述为连续问题，从而实现高效的基于梯度的搜索。LSCO 结合四个组件：来自不确定性感知预测器的数据驱动表达目标、用于结构稳定性的最小自由能正则项、来自蛋白质到密码子反向翻译模型的自然性先验，以及用于保证蛋白质保真度的约束解码。在真实湿实验室抗体表达数据集上，LSCO 在预测表达方面优于简单的基于频率的方法以及现代深度生成基线，同时保持合适的生物物理性质。
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.03098 [cs.AI] |
| （或使用 arXiv:2610.03098v2 [cs.AI] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.03098 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Alberto Caron [查看电子邮件]
[v1]
2026年10月2日星期五 10:18:50 UTC（2,170 KB）
[v2]
2026年10月21日星期三 09:58:01 UTC（2,170 KB）
来源：arXiv cs.AI · arxiv.org