本文来自IT之家（www.ithome.com），作者 | 远洋。
IT之家10月10日消息，IT之家从中山大学官方微信公众号获悉，10月9日，中山大学医学院施莽教授团队与阿里云李兆融团队在《细胞》（Cell）杂志上发表论文，报告了180个超群、超过16万种全球RNA病毒的发现，这是迄今为止规模最大的RNA病毒研究，大幅扩展了全球RNA病毒的多样性，该研究将人工智能技术应用于病毒鉴定，发现了传统方法未能发现的病毒“暗物质”，探索了病毒学研究的新路径。
据介绍，传统的病毒发现方法包括病毒分离和生命组学的生物信息学分析，高度依赖既有知识，面对RNA病毒这种高度分化、种类繁多且容易变异的病毒识别效率低。该研究团队开发的LucaProt人工智能算法能够对病毒和非病毒基因组序列深度学习，并在数据集中自主判断病毒序列。
据IT之家了解，LucaProt是一种能够深度学习的Transformer模型，在大量学习病毒和非病毒基因组序列后，可以自主形成一套关于病毒的判断标准，从而在大量的RNA测序数据集中挖掘出病毒序列。在测试中，LucaProt表现出极高的准确性和特异性，假阳性率为0.014%，假阴性率为1.72%。在与其他病毒挖掘工具的对比中，它也在处理较长序列的方面展现出优势。
利用LucaProt，研究团队对来自全球生物环境样本的10,487份RNA测序数据进行病毒挖掘，发现了超过51万条病毒基因组，代表超过16万个潜在病毒种及180个RNA病毒超群（相当于门或纲的分类级别），使RNA病毒超群数量扩容约9倍。其中23个超群无法通过序列同源方法识别，被称为病毒圈的“暗物质”。
在这项研究中，团队报告了迄今最长的RNA病毒基因组，长度达到47,250个核苷酸；发现了超出以往认知的基因组结构，展现出RNA病毒基因组进化的灵活性；识别到多种病毒功能蛋白，特别是与细菌相关的功能蛋白，进一步表明还有更多类型的RNA噬菌体亟待探索。
研究指出，新发现的病毒分布在地球的各类生态环境中。总体上，落叶层、湿地、淡水和废水环境的病毒多样性最高。然而，在南极底泥、深海热泉、活性污泥和盐碱滩等极端环境中，RNA病毒的多样性和丰度并不低，甚至在深海热泉的高温环境中，仍有RNA病毒在活跃复制。
LucaProt虽然是一个专门为RNA病毒发现设计的模型，但它同时融合了对蛋白质序列和隐含结构信息识别的功能，也可用于蛋白质功能的鉴定。在论文中，研究团队开源了LucaProt模型，并通过在线网站分享给全球科学家。
