近日，中國和澳大利亞科學家的一項國際聯(lián)合研究利用人工智能（AI）工具發(fā)現(xiàn)了161979種新RNA病毒，是已知病毒種類的近30倍，大幅提升業(yè)界對RNA病毒多樣性和病毒演化歷史的認知。這項研究也是迄今為止發(fā)表的數(shù)量最大的病毒物種發(fā)現(xiàn)論文。
圖片來源：阿里云
這項經過同行評審的研究10日發(fā)表在國際知名學術期刊《細胞》（Cell）上。研究的共同通訊作者[1]中山大學醫(yī)學院施莽教授告訴澎湃新聞（www.thepaper.cn）：“人工智能算法模型使我們能夠挖掘出以前未知或被忽視的病毒。這種能力在疾病控制和快速識別新病原體方面尤為重要。”
今年剛剛揭曉的諾貝爾物理學獎和化學獎都和AI在科學領域的應用有關，將科學智能（AI for Science）推上了歷史風口。施莽表示，對于病原學領域來說，AI完全不同于傳統(tǒng)工具，它是一種數(shù)據驅動的研究模式，代表了一種新的科研范式。
“我們常說，新的方法帶來新的發(fā)現(xiàn)，AI幫助我們突破了對病毒圈的認知。這類方法還能應用于更多病毒學領域的科學問題，比如新發(fā)現(xiàn)的病毒是否具有致病性？是否可能引發(fā)下一次大流行？它的蛋白質功能是什么？”施莽說，“在科研領域，AI的應用已經勢不可擋，通過AI方法探索科學問題已取得了重要突破。這種研究范式將成為未來科學界的常態(tài)，也可能成為我們認知世界的重要手段。”
首次揭示了病毒圈“暗物質”的含義
病毒是無處不在的微生物，但目前被人類識別的僅有5000余種，是病毒世界的冰山一角。其中一些病毒可能會導致人類患病，對于病毒的認識擴展，意味著能有助于人類應對各種疾玻
根據病毒的遺傳物質，可將病毒分為DNA病毒和RNA病毒，一般來講，后者建構更簡單，在自然界中的數(shù)量也更多。RNA病毒無處不在，在最極端的環(huán)境中也有存在，是最神秘的微生物，甚至有可能參與了早期生命的起源。它們在全球生態(tài)系統(tǒng)中發(fā)揮著關鍵作用，其中一些是人類傳染病的病原體。
傳統(tǒng)的病毒發(fā)現(xiàn)方法包括病毒分離和通過比較未知病毒與已知病毒的序列相似性的生物信息學方法來進行識別。然而，RNA病毒種類繁多且高度分化，傳統(tǒng)方法難以捕捉缺乏同源性或同源性極低的“暗物質病毒”，新病毒發(fā)現(xiàn)的效率較低。但這些序列對應的有類似功能的蛋白質結構卻有相對較高同源性，而基于AI的蛋白質結構預測與病毒學研究的結合正在突破這一難題。
此前，已有科學家利用機器學習搜索了公開數(shù)據庫中存檔的基因組樣本，并發(fā)現(xiàn)了許多新的RNA病毒。此次發(fā)表在《細胞》雜志上的最新研究將這項工作更推進了一步，即通過AI輔助的蛋白質結構的預測。
RNA病毒都有一個稱為“RdRp”的核心蛋白，即病毒RNA復制酶。上述研究根據一個全新的深度學習模型“LucaProt”，基于Transformer框架（構建GPT等主流AI大模型的基礎框架），通過向其輸入蛋白質序列預測。訓練好的模型可以用來識別病毒 RdRp，并用它在大量基因組數(shù)據中查找這些未知病毒的類似蛋白序列。
值得一提的是，該AI模型包含一種名為ESMFold的蛋白質預測工具，該工具由美國科技巨頭Meta的研究人員開發(fā)。類似的AI系統(tǒng)還包括由Google DeepMind的研究人員開發(fā)的AlphaFold，其CEO德米斯哈薩比斯（Demis Hassabis）于本周獲得了諾貝爾化學獎。
利用這套算法，研究團隊對來自全球生物環(huán)境樣本的10487份數(shù)據進行病毒挖掘，發(fā)現(xiàn)了513134條病毒基因組，代表161979個潛在病毒種及180個RNA病毒超群。使RNA病毒超群數(shù)量擴容約9倍，病毒種類增加約30倍，其中23個超群無法通過序列同源方法識別，被稱為病毒圈的“暗物質”。
該論文還揭示多個病毒學領域新發(fā)現(xiàn)：發(fā)現(xiàn)迄今為止最長的RNA病毒基因組，長度達到47250個核苷酸；識別出超出以往認知的基因組長度，展示了RNA病毒基因組進化的靈活性超出之前病毒學家的認知；此外，在高溫的深海熱泉等極端環(huán)境中，RNA病毒依舊存在多樣性。
“這些病毒中的絕大多數(shù)都已經測序并存儲在公共數(shù)據庫中，但它們的差異太大，以至于沒人知道它們是什么，參與這項研究的悉尼大學醫(yī)學與健康學院醫(yī)學科學院的愛德華茲霍姆斯（Edwards Holmes）教授說，“它們包含通常被稱為序列 ‘暗物質’的東西。我們的人工智能方法能夠組織和分類所有這些不同的信息，首次揭示了這種’暗物質’的含義。”
大幅提升對病毒多樣性認知
施莽團隊的研究顯示病毒的多樣性遠超人類想象，目前我們所看到的只是冰山一角，未來病毒分類體系可能會有大規(guī)模的調整。
論文共同作者、阿里云智能云棲實驗室研究員李兆榮博士表示：“LucaProt是前沿人工智能技術與病毒學的重要結合，表明人工智能可以有效地完成生物探索任務。這種結合為進一步解碼生物序列、從新視角解構生物系統(tǒng)提供了寶貴的見解和激勵。我們也將繼續(xù)在病毒學人工智能領域的研究。”
施莽也進一步介紹：“人工智能的算法模型能夠挖掘出我們之前忽略或根本不知道的病毒，這種能力在疾病防控和新病原的快速識別中尤為重要。特別是在疫情暴發(fā)時，人工智能的速度和精度可以幫助科學家更快地鎖定潛在病原體。”
施莽表示，過去依靠繁瑣的生物信息學流程來發(fā)現(xiàn)病毒，限制了我們可以探索的多樣性。“現(xiàn)在，我們有了一個更有效的基于人工智能的模型，它提供了卓越的靈敏度和特異性，同讓我們能夠更深入地研究病毒多樣性。我們計劃將此模型應用于各種應用。”
施莽透露，下一步的研究包括對于病毒與宿主的關系，以及識別可以感染特定宿主的病毒群。
“例如，在人體中可以發(fā)現(xiàn)許多病毒，但并不是所有病毒都會感染人類。有些病毒專門感染細菌，有些則感染人類攝入的食物，還有些感染寄生蟲。因此，關鍵在于找到真正感染宿主細胞的病毒。另一種情況是，當我們在動物或媒介昆蟲中監(jiān)測潛在的人類病原體時，需要一個工具來判斷在這些動物和媒介中新發(fā)現(xiàn)的病毒是否具備跨物種傳播到人類并引發(fā)大流行的潛力。”他說。
研究團隊表示，將繼續(xù)訓練該模型以發(fā)現(xiàn)更多的病毒多樣性，并且同樣的方法可以用于識別細菌和寄生蟲。
沒有參加這項研究的生物進化學家姜小煒博士認為： “對于擴大對病毒圈的認知來說，這是一種非常有前途的方法，基于AI的結構生物學和演化生物學結合的方法會幫助科學家發(fā)現(xiàn)病毒在自然界很多未知的多樣性和演化規(guī)律。 以后更好的這類方法和數(shù)據會帶來更多的病毒多樣性和演化的重大發(fā)現(xiàn)，幫助人類應對未來挑戰(zhàn)。”
霍姆斯教授表示：“這是在一項研究中發(fā)現(xiàn)的新病毒種類數(shù)量最多的一次，極大地擴展了我們對生活在我們身邊的病毒的了解。然而這只是冰山一角，打開了一個探索的世界。還有數(shù)百萬種病毒有待發(fā)現(xiàn)，我們可以用同樣的方法來識別細菌和寄生蟲。誰知道還會有什么額外的驚喜呢。”
