科学家刚刚利用人工智能发现了超过70000种奇特的新病毒

病毒无处不在。它们存在于空气中；在污水、湖泊和海洋中；在草地和腐朽的木材里。有些病毒能在极端环境中茁壮成长，比如热液喷口、南极冰层，甚至可能是外太空。

它们也非常古老。有些可能和第一批细胞一样古老，甚至比第一批细胞更古老。

尽管自从人类物种诞生以来就与病毒共存，但病毒世界的大部分仍然充满神秘。几十年来，科学家们费尽心思地从世界各地采集样本并对其基因组进行测序。但由于病毒迅速变异，这些努力只能触及病毒圈的表面。

中山大学的孟斯及其同事最近在一篇新论文中写道，大多数病毒基因组材料是生物“暗物质”发表于 细胞.

借助人工智能，该团队正在揭示病毒世界的全新面貌。这款名为LucaProt的人工智能利用大型语言模型来解析病毒遗传物质的片段。另一个算法进一步将基因数据分解为更易处理的部分以提高效率。

经过分析近10,500个样本——有些来自之前的数据库，有些是在研究过程中收集的——人工智能从全球各地的样本中检测出了70,458种新的RNA病毒。

“突然间你能看到之前未曾注意到的事物，”多伦多大学的阿特姆·巴巴扬（未参与该研究）说道。告诉了 自然.

病毒有着不良的声誉。新冠疫情和每年的流感季节凸显了它们破坏性的一面。但它们也可以被用来战斗耐抗生素细菌穿梭客车基因疗法进入细胞，或被开发成疫苗。

绘制病毒世界的图谱为观察病毒的进化和变异提供了全局视角——这不仅对生物技术有影响，也可能对未来抗击大流行病具有潜在意义。

病毒式传播

在人类中，DNA携带遗传蓝图。DNA转化为RNA——也由四个遗传字母组成——将遗传信息带到细胞工厂以制造蛋白质。

病毒是不同的。有些病毒完全不使用DNA，而是直接将它们的遗传蓝图编码在RNA中。这听起来很不寻常，但实际上你已经知道一些这样的病毒：引起新冠肺炎的SARS-CoV-2就是一种RNA病毒。这些病毒有一些科学知之甚少的蛋白质，它们也可能为生物学提供新的见解。

几十年来，科学家们通过采集样本试图破解病毒圈。这些样本来源从日常的（如当地溪流中的水）到极端的（如南极冰或深海水）。从这些样本中提取的RNA被仔细测序并存入数据库。这种方法被称为宏基因组学，能够捕捉环境中的所有病毒RNA片段。

解读基因宝藏还需要更多的工作。传统的计算方法很难从这些大型数据库中筛选出有意义的见解。

进入ESMFold由Meta开发的该程序依赖于大型语言模型——同样的技术支撑了OpenAI的ChatGPT和Google的Gemini——根据蛋白质的氨基酸“字母”来预测蛋白质结构。包括DeepMind的AlphaFold和David Baker的RoseTTAFold在内的类似方法，最近为其开发者赢得了2024年诺贝尔化学奖.

ESMFold 接受分子序列并预测蛋白质的原子水平三维结构。在它的第一个实际任务中，科学家们使用该人工智能来解析我们最不了解的微生物中的“暗物质”蛋白。去年，该人工智能预测了结构超过7亿来自微生物的蛋白质。其中有百分之十完全不同于之前发现的任何蛋白质。

注意到这一点，施的团队询问类似的战略是否能在RNA病毒的世界中奏效。

寻觅病毒

科学家此前曾使用人工智能从……中筛选出潜在的新RNA病毒_petabytes_的基因测序数据—大约相当于5亿张高分辨率照片的数量。

这些研究集中在依赖RNA的RNA聚合酶（简称RdRP）上。在这里，RNA序列编码RdRPs，这是一种标记大多数RNA病毒基因组的蛋白质家族。早期分析根据它们的遗传数据识别出了近132000种新的RNA病毒。

问题在于，病毒会迅速变异。如果编码RNA依赖性 RNA �多聚酶（RdRP）的遗传字母发生变化，训练有素的人工智能可能无法识别这些突变的病毒。新的研究通过将先前的方法与 ESMFold 结合在一个双通道人工智能中解决了这个问题。

第一个通道使用类似ChatGPT的基于变压器的模型，从大型数据库中提取编码病毒复制酶（RdRP）的氨基酸序列“关键词”。经过包含所需序列和一些随机生成序列的训练后，AI创建了一个大约由20,000个频繁出现的编码RdRP的蛋白质序列组成的词汇表。

与之前的方法相比，这一步将基因库分解成更易于处理的片段，使人工智能更容易应对更长的基因序列并检测病毒的RdRP蛋白。

第二个通道使用ESMFold的一个版本。这是一个慢而谨慎的阅读器。它不会快速地浏览蛋白质词，而是仔细“读取”每一个字母，并预测每个结构如何与其他结构连接以形成3D蛋白质形状。这一步使AI有了基础概念，让它了解RdRPs在活病毒中的外观应该是怎样的。

LucaProt是在将近6000个编码RdRP蛋白的序列和超过229500个已知编码不同蛋白质的序列上进行训练的。在测试数据集（研究人员已经知道答案）的挑战下，该AI表现异常准确，误报率仅为0.014%。

人工智能发现了70,458种潜在的新病毒。其中一种从泥土中分离出来的病毒具有令人惊讶的长基因组——研究团队写道，这是迄今为止已知的最长的RNA病毒之一。其他一些病毒可以在温泉和极度咸湖中生存。

扩增的病毒圈向已知的病毒群添加了新的病毒——例如，黄病毒科这会导致肝炎或黄热病。LucaProt还发现了60种不同的病毒群，每个都与今天已知的所有病毒都有很大的不同。

他们并没有说这些因素会导致疾病，但写道它们“在之前的RNA病毒发现项目中很大程度上被忽略了”。

巴巴扬先生/女士研究发现“在进化空间的偏远地区存在一些RNA病毒多样性的微小区域。”

viral爆款？

病毒需要一个活的宿主才能存活。团队正在升级他们的AI以预测这些宿主。大多数RNA病毒会感染真核生物，其中包括植物、动物和人类。一些病毒也可以感染细菌——它们之间的相互作用启发了基因编辑工具CRISPR-Cas9。

作者写道：“RNA病毒的进化历史至少与细胞生物一样长，甚至更长。”

常常被忽略的是生命的第三分支——古菌。这些生命形式在地球生命早期阶段进化，与细菌和真核生物有相似之处，例如它们的遗传物质是如何复制的。

但古菌是生命中一个独特的分支，它们在极端环境中茁壮成长，例如热液喷口或极度咸水。有迹象表明RNA病毒也可能感染古菌。如果是这样的话，它可能会为我们生命之树带来新的见解——就像CRISPR技术一样，有可能导致新生物技术的出现。

图片提供：国立过敏与传染病研究院 / Unsplash