Optimización de secuencias de mRNA
✓ 已验证RNALens · Spearman 0.92 · CAI 0.7->0.95 · Modelo afinado propio
El diseño de secuencias de vacunas de mRNA no es solo "traducir aminoácidos a bases". La frecuencia de uso de codones afecta la eficiencia de traducción, la estructura UTR afecta la estabilidad y la eficiencia de carga. DiVo Gen²AI utiliza el modelo RNALens afinado propio para predecir la eficiencia de carga del ribosoma--no llamando APIs de terceros, sino como parte de 560K líneas de código propio. Esta página sirve a tres audiencias: pacientes y público que desean comprender la optimización de mRNA, equipos de vacunas/CAR-T que buscan socios de optimización de secuencias, e inversores y colegas que evalúan capacidades técnicas.
Lea "Qué es la optimización de secuencias de mRNA" a continuación--comprenda por qué el diseño de vacunas no es solo traducir bases.
Enfóquese en "El rol de DiVo", "Pipeline de 4 pasos", "Benchmarks"--modelo afinado propio, no wrapper de API.
Enfóquese en "Diferenciación", "Benchmarks", "Glosario"--evalúe la barrera técnica de los modelos afinados propios.
La optimización de secuencias de mRNA es un paso clave en los siguientes servicios insignia
Qué es la optimización de secuencias de mRNA
El núcleo de una vacuna de mRNA es una secuencia de ARN mensajero--tras ser introducida en las células humanas, dirige la síntesis de proteínas objetivo (ej., antígenos tumorales), desencadenando una respuesta inmunitaria. Pero el mismo aminoácido puede ser codificado por múltiples codones diferentes, y las frecuencias de uso de codones varían enormemente.
La optimización de secuencias de mRNA no es simplemente traducir secuencias de aminoácidos a bases--es seleccionar la secuencia con mayor eficiencia de traducción y mejor estabilidad entre todas las secuencias candidatas que pueden codificar la misma proteína. La elección del codón afecta la velocidad de traducción (CAI), la estructura UTR afecta la vida media del mRNA y la carga del ribosoma (MRL), y diferentes tejidos objetivo tienen distintas preferencias de codones.
DiVo utiliza el modelo RNALens afinado propio para predecir la eficiencia de carga del ribosoma (Spearman=0.92), no llamando APIs de terceros--los datos de afinación, el pipeline de entrenamiento y el servicio de inferencia están todos desplegados internamente.
Un mismo aminoácido tiene 2-6 codones. Las células humanas traducen algunos codones mucho más rápido que otros--elegir los codones correctos puede mejorar la eficiencia de traducción de 0.7 a 0.95 (índice CAI).
Los modelos pre-entrenados generales tienen precisión de predicción limitada para secuencias de mRNA. La afinación en tres etapas adapta RNALens específicamente a tareas MRL de mRNA--Spearman=0.92 no es el rendimiento de cero disparos de un modelo general, sino un resultado especializado tras adaptación de dominio.
El rol de DiVo Gen²AI
La optimización de secuencias de mRNA es el Paso 7 del pipeline de neoantígenos de 8 pasos de DiVo, y la capacidad central para la optimización de mRNA del constructo CAR en el pipeline CAR-T de 5 pasos. Proporcionamos computación de extremo a extremo desde optimización de codones hasta predicción de carga del ribosoma y optimización UTR--no solo haciendo optimización CAI, sino optimizando simultáneamente regiones codificantes y reguladoras, con predicción del modelo afinado propio para validación funcional.
No hacemos diseño de sistemas de entrega de mRNA (formulación LNP, etc.), no hacemos validación experimental de eficiencia de expresión in vivo. Entregamos propuestas de diseño de secuencias de mRNA computacionalmente optimizadas.
Capacidad central · Pipeline de 4 pasos
Desde secuencia de aminoácidos hasta secuencia de mRNA óptima adaptada al tejido
Optimización de codones (CAI)
✓ 已验证Algoritmo de optimización de codones interno
Secuencia optimizada CAI 0.7 -> 0.95
Predicción de eficiencia de carga del ribosoma
✓ 已验证RNALens (DNABERT-Z 117M afinado)
Predicción MRL + Spearman=0.92
Optimización UTR + Evaluación de estabilidad
✓ 已验证GEMORNA + ViennaRNA
Secuencia UTR 5'/3' optimizada + puntuación de estructura secundaria
Selección de modelo adaptado al tejido
✓ 已验证HEK293T / Muscle / PC3
Secuencia óptima adaptada al tejido objetivo
Diferenciación
Diferencias clave con enfoques de "solo CAI" y "API de terceros"
Modelo afinado propio, no API de terceros
RNALens se basa en afinación de tres etapas de DNABERT-Z con 117M parámetros. Los datos de afinación, el pipeline de entrenamiento y el servicio de inferencia están todos desplegados internamente. No es un wrapper de APIs de modelos de terceros, sino parte de 560K líneas de código propio.
Optimizando regiones reguladoras, no solo codificantes
La mayoría de servicios de optimización de mRNA solo hacen optimización de codones CDS. DiVo usa GEMORNA para generar UTR + ViennaRNA para evaluar estabilidad, optimizando simultáneamente regiones codificantes y reguladoras--tanto eficiencia de traducción como estabilidad.
Capacidades centrales
Optimización del índice de adaptación de codones CAI
✓ 已验证Mejorado de 0.7 a 0.95--frecuencia de uso de codones alineada con preferencias de la célula huésped, mejora significativa de la eficiencia de traducción.
Predicción de eficiencia de carga del ribosoma MRL
✓ 已验证Modelo RNALens basado en afinación de tres etapas de DNABERT-Z con 117M parámetros. Spearman=0.92, R²=0.87--predice la eficiencia de carga del ribosoma de secuencias de mRNA.
Optimización UTR 5'/3'
✓ 已验证Generación con GEMORNA + evaluación de estabilidad con ViennaRNA. No solo optimizando regiones codificantes, sino también reguladoras.
3 modelos adaptados al tejido
✓ 已验证HEK293T / Muscle / PC3 tres modelos adaptados a tejido/línea celular objetivo--diferentes tejidos prefieren diferentes codones.
Por qué enfatizamos "afinación propia"
No llamamos APIs de terceros
RNALens es un modelo propio basado en afinación de tres etapas de DNABERT-Z con 117M parámetros. Los datos de afinación, el pipeline de entrenamiento y el servicio de inferencia están todos desplegados internamente.
No son pesos pre-entrenados generales
Afinación de tres etapas: (1) Pre-entrenamiento DNABERT-Z 117M -> (2) Afinación de tarea下游 MRL de mRNA -> (3) Afinación de adaptación de dominio con datos propios de DiVo.
Tiene validación en el mundo real
Proyecto de asparaginasa: 6194 mutaciones × 11 iteraciones. CAI 0.7->0.95. No es un proyecto de juguete.
Benchmarks
| Métrica | Valor | Nota |
|---|---|---|
| MRL Spearman | 0.92 | Correlación de predicción de eficiencia de carga del ribosoma |
| R² | 0.87 | Coeficiente de determinación |
| CAI optimizado | 0.95 | Mejorado desde 0.7 |
| Parámetros DNABERT-Z | 117M | Afinación de tres etapas |
| Modelos adaptados al tejido | 3 | HEK293T / Muscle / PC3 |
| Validación en mundo real | Asparaginasa 6194 mutaciones | 11 iteraciones |
Límites honestos
Lo que podemos y no podemos hacer, claramente establecido
Lo que podemos hacer
Lo que no hacemos
Glosario
5 términos clave en optimización de secuencias de mRNA
| Abrev. | Nombre completo | Traducción | Explicación |
|---|---|---|---|
| CAI | Codon Adaptation Index | Índice de adaptación de codones | Mide cómo la frecuencia de uso de codones coincide con las preferencias de la célula huésped; mayor significa mejor eficiencia de traducción |
| MRL | Mean Ribosome Loading | Carga ribosomal media | Número promedio de ribosomas en un mRNA, reflejando la eficiencia de iniciación de traducción |
| UTR | Untranslated Region | Región no traducida | Secuencias reguladoras en ambos extremos del mRNA que no codifican proteínas; UTR 5' afecta la iniciación de traducción, UTR 3' afecta la estabilidad |
| RNALens | DiVo RNALens | Modelo de predicción de RNA de DiVo | Modelo propio de predicción de propiedades de mRNA basado en afinación de tres etapas de DNABERT-Z 117M |
| GEMORNA | Generative mRNA | Modelo generativo de mRNA | Modelo generativo para generar y optimizar secuencias UTR de mRNA |
CAPACITY TRACE
能力回溯
这项服务由哪些能力支撑——从硅片到你的场景
硅片(L1) → 模型(L2) → Agent(L3) → 管线(L4) → 你的场景