人工智能驱动的环状RNA疫苗开发：多模态协同优化与生物医学应用新范式

　　为解决环状RNA(circRNA)疫苗开发中稳定性不足、递送效率低等问题，西安交通大学的研究团队通过整合深度学习(CNN/Transformer)与多组学数据，优化了抗原预测、RNA二级结构建模和脂质纳米颗粒(LNP)递送系统，提出"AI-传统实验"混合范式，显著提升circRNA疫苗的临床转化潜力。

　　

在疫苗研发领域，传统mRNA疫苗面临易降解和强免疫原性的瓶颈，而新兴的环状RNA(circRNA)因其共价闭合结构展现出超强稳定性和低免疫原性优势。然而，circRNA疫苗的临床应用仍受限于低环化效率、递送系统适配性差等问题。与此同时，人工智能(AI)技术正在颠覆生物医药研发模式，但"黑箱"算法和生物学解释性不足制约其可靠性。

西安交通大学第一附属医院血液科的Yan Zhao和Huaiyu Wang团队在《Briefings in Bioinformatics》发表的研究，开创性地将AI技术与circRNA疫苗开发相结合。通过构建多模态协同优化框架，研究人员不仅解决了circRNA疫苗设计的关键技术难题，更建立了生物医学应用的新范式。

研究采用深度学习模型(CNN/Transformer)分析多组学数据，结合生成式AI(ChatGPT/DeepSeek)进行文献挖掘和实验设计，并运用生物信息学AI工具(AlphaFold 3/DeepBind)优化抗原表位预测和RNA-蛋白相互作用。团队还建立了包含121篇文献的基准数据集，系统评估了AI工具的文献检索准确性。

在"CircRNA相关实验方案设计"部分，研究对比了AI生成与传统实验方案差异，发现AI可将实验设计时间从8-12小时缩短至10分钟，但Taq聚合酶浓度等关键参数存在20%误差率。通过半定量PCR验证，证实AI协议需结合人工优化才能保证可靠性。

"circRNA疫苗抗原筛选"章节显示，AI工具FastQ Screen和SEQC通过非参数统计模型(MaRR)将测序数据质量控制效率提升3倍。深度神经网络DeepVariant使单核苷酸变异(SNP)检测准确率提高至92.8%，较传统SAMtools方法减少15%假阳性。

在"IL-21基因序列设计与优化"研究中，DeepSeek基于NCBI数据库(NM_021803.4)提供的序列设计准确率达100%，而ChatGPT存在20%虚构序列问题。circDesign平台通过R3Design算法使ORF(开放阅读框)与IRES(内部核糖体进入位点)空间排布优化效率提升44%。

"circRNA-LNP递送系统设计"结果表明，AI平台AGILE通过分析9000种脂质结构，指导设计的H1L1A1B3型LNP(离子化脂质:胆固醇:DSPC:PEG=50:38.5:10:1.5)使circRNA体内递送效率提高4倍。

研究结论指出，AI驱动的多模态优化使circRNA疫苗开发实现三大突破：抗原预测准确率提升至70-80%，结构稳定性增强10倍，LNP递送效率提高4倍。但需通过"AI-传统实验"混合范式解决算法透明度不足(如ISA-PN模型)和数据偏差(采用OMOP通用数据模型)等局限。

该研究的重要意义在于：首次系统评估了生成式AI在circRNA疫苗研发中的适用边界，建立的协同优化框架为核酸药物开发提供新思路。未来需重点发展机制驱动的AI模型(如SHAP解释工具)、实时实验反馈系统和符合IDEAL标准的伦理框架，以充分发挥circRNA疫苗在精准肿瘤学和全球健康领域的潜力。