Nature子刊：结合深度学习与领域结构验证，拓展转录组RNA病毒发现能力

西湖大学研究团队在《Nature Communications》（2026-09-16）发表论文，提出结合预训练蛋白质语言模型与结构验证的两阶段深度学习框架Rider，为宏转录组中高度分歧RNA病毒的发掘提供了可扩展的计算工具。

• 针对RNA病毒序列极度分歧以及片段长度差异大导致的识别难题，Rider在第一阶段利用紧凑的预训练蛋白质语言模型广泛捕获潜在的病毒信号。
• 第二阶段采用重叠滑动窗口结构预测策略，将预测的三维结构与非冗余RdRp（RNA依赖的RNA聚合酶）催化核心结构域数据库比对，克服长多聚蛋白与截短片段带来的识别限制。
• 在超过1万个跨生态系统宏转录组测试中，Rider在召回超过99%已知RNA病毒的同时，新发现了数千个高分歧度序列与谱系，并在人类炎症性肠病（IBD）队列中验证了检测能力。
• 影响/看点：该框架将表征学习与结构域比对结合，可能提升全球环境与临床样本中未知RNA病毒圈的挖掘效率，其实际推广取决于多生态样本的测序深度与三维结构预测的计算成本。
• 资料依据：
• Nature Communications（2026-09-16）：https://www.nature.com/articles/s41467-026-77183-y

本内容由 AI 生成，仅供参考，请注意甄别