论文用 mRNA 语言模型潜在空间做梯度式密码子优化
资讯摘要
论文提出潜在空间密码子优化（LSCO），将离散的密码子选择问题映射到预训练 mRNA 语言模型的潜在空间，从而支持基于梯度的搜索。该方法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以及约束解码。作者报告，在真实湿实验抗体表达数据集上，LSCO 的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。
要点速读
- LSCO 将密码子优化转为潜在空间连续优化，以规避离散组合空间无法使用梯度方法的问题。
- 方法由四部分组成：不确定性感知预测器的表达目标、最小自由能正则项、回译模型自然性先验、约束解码。
- 作者报告在真实湿实验抗体表达数据集上，预测表达优于频率法与深度生成基线，并保持生物物理性质。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/23 08:00:11（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。