登Nature子刊！北大团队用AI预测新冠/艾滋病/流感病毒进化方向，精度提升67%

可跨病毒类型、跨毒株预测，泛化能力极佳

原标题：登Nature子刊！北大团队用AI预测新冠/艾滋病/流感病毒进化方向，精度提升67%
文章来源：HyperAI超神经
内容字数：10141字

北京大学团队研发E2VD框架，精准预测病毒进化

本文介绍了北京大学信息工程学院田永鸿教授、陈杰副教授团队与广州国家实验室周鹏研究员合作，由博士生聂志伟、硕士生刘旭东等完成的一项重要研究成果：进化驱动的病毒变异驱动力预测框架E2VD。该框架发表于2025年1月17日的《Nature Machine Intelligence》杂志，能够精准预测新冠病毒、流感病毒、寨卡病毒和艾滋病病毒的进化方向，为疫苗和药物的快速优化提供了重要支持。

1. 研究背景：病毒变异预测的挑战

病毒的高变异性和突变的随机性，导致有益突变（正样本）极其稀少，这给深度学习模型的训练带来了巨大挑战。此外，病毒突变位点有限，也使得模型难以捕捉微弱的分子内相互作用变化。

2. E2VD框架：创新性设计

为了解决上述难题，研究团队提出了E2VD框架，该框架包含三个主要模块：

1. 蛋白质序列编码模块：自主训练的定制化蛋白质大语言模型，精准提取病毒蛋白序列特征。

2. 局部-全局相互作用依赖融合模块：利用卷积神经网络(CNN)和动态注意力机制，捕捉突变与周围氨基酸的相互作用，解决微弱突变效应难以捕获的问题。

3. 多任务焦点学习模块：结合多任务学习和难样本挖掘策略，特别是设计了新颖的多任务焦点损失函数(Multi-task Focal Loss)，提升模型对稀少有益突变的预测能力。

E2VD框架具有灵活的输入输出设计，可以用于多种病毒类型和预测任务，例如结合亲和力、表达量、抗体逃逸能力等。

3. 实验结果：显著提升预测精度和泛化能力

实验结果表明，E2VD在预测有益突变的精度上提升了67%，显著超越了其他主流方法。定制化的蛋白质语言模型在参数量更少的情况下，也取得了优于大型模型ESM2-15B的效果。E2VD还展现出极佳的泛化能力，能够跨病毒类型、跨毒株进行准确预测。

4. E2VD的应用和未来展望

E2VD能够解释病毒进化路径、预测高风险突变，并模拟病毒在真实世界中的进化轨迹。未来，团队计划将E2VD与疫苗和蛋白药物设计流程结合，提高设计效率和可控性，为病毒防治和药物设计带来突破。

5. 团队背景及其他研究成果

该团队在AI for Life Science领域拥有深厚积累，曾获得2022年度“戈登贝尔新冠特别奖”，并在高性能计算应用方面取得了显著成果，例如开发针对SARS-CoV-2 RBD突变模拟的高通量筛选方法以及多用途酶-底物相互作用预测框架MESI。

总而言之，E2VD框架为病毒进化预测提供了强大的工具，为应对未来新发病毒感染提供了重要保障，也为AI在生命科学领域的应用提供了新的范例。

联系作者

文章来源：HyperAI超神经
作者微信：
作者简介：解构技术先进性与普适性，报道更前沿的 AIforScience 案例