arXiv cs.AI· Zixi Shao, Tao Wang, Ye Shen, Tianyi Huang, Yibei Xiao·· 12 小时前AI 评分38
ProMORNA：面向全长 mRNA 设计的端到端生成框架
ProMORNA: An End-to-End Generative Framework for Full-Length mRNA Design
AI 导读
ProMORNA 是一个零样本、端到端的全长 mRNA 生成框架，采用 BART 式架构在超 600 万条天然蛋白-mRNA 配对上预训练，并经冷启动监督微调与多目标强化学习两阶段后训练。
正文 · AI 翻译
摘要：设计治疗性信使 RNA（mRNA）需要生成全长转录本，以最佳方式平衡细胞内稳定性和翻译效率。尽管生成模型已推进了 mRNA 设计，但现有方法依赖于按区域生成、昂贵的推理时搜索或针对特定目标的模型更新。为克服这些局限，我们提出了 ProMORNA，一个用于全长 mRNA 设计的零样本、端到端生成框架。ProMORNA 将设计流程与现代大语言模型训练管线对齐：它采用在超过 600 万对天然蛋白质-mRNA 数据上预训练的 BART 风格架构，随后进行两阶段后训练，包括冷启动监督微调和多目标强化学习。通过在单个指标层面标准化并聚合相对优势，并结合领域特定的稳定化处理，我们的后训练阶段直接将生成策略与相互冲突的生物学约束对齐，同时避免对原始目标分数进行直接标量化。计算机模拟评估表明，ProMORNA 将预测稳定性和翻译效率的帕累托前沿推至标准基线以及领先的最先进方法 GEMORNA 之外。在三项独立的体外 Fluc2P 实验中，候选 2 的 12-72 小时报告基因活性 AUC 达到传统基准的 3.33 倍（Holm 校正 $P=0.01285$），而其相对于所报告的最佳 GEMORNA 候选的估计 1.29 倍优势仍属探索性。这些结果支持 ProMORNA 作为一个有前景的框架，用于生成具有功能活性的全长 mRNA 候选。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI）；生物分子（q-bio.BM） |
| 引用为： | arXiv:2605.01513 [cs.LG] |
| （或 arXiv:2605.01513v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.01513 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Tianyi Huang [查看电子邮件]
[v1]
2026 年 5 月 2 日星期六 16:05:51 UTC（5,737 KB）
[v2]
2026 年 10 月 21 日星期三 13:02:48 UTC（6,078 KB）
来源：arXiv cs.AI · arxiv.org