Jueju.Wang
自研微調整

mRNA 配列最適化

✓ 已验证

RNALens · Spearman 0.92 · CAI 0.7->0.95 · 自研微調整モデル

mRNA ワクチン配列設計は単に「アミノ酸を塩基に翻訳する」ことではない。コドン使用頻度が翻訳効率に影響し、UTR 構造が安定性と積載効率に影響する。DiVo Gen²AI は自研 RNALens 微調整モデルでリボソーム積載効率を予測--第三者 API の呼び出しではなく、56万行の自研コードの一部。本ページは3つの読者向け：mRNA 最適化を理解したい患者と公衆、配列最適化パートナーを探すワクチン/CAR-T チーム、技術力を評価する投資家と同行。

患者と公衆

下の「mRNA 配列最適化とは」をお読みください--ワクチン設計が単なる塩基翻訳でない理由を理解。

パートナー / 病院

「DiVoの役割」「4ステップパイプライン」「検証指標」を重点に--自研微調整は API ラッパーではない。

投資家 / 同行

「差別化」「検証指標」「用語集」を重点--自研微調整モデルの技術障壁を評価。

mRNA 配列最適化は以下の旗艦サービスの重要ステップ

旗艦 · 新生抗原 mRNA ワクチン 新增 · CAR-T 細胞治療

mRNA 配列最適化とは

mRNA ワクチンの核心はメッセンジャー RNA 配列であり、人体細胞に送り込まれた後、細胞に標的タンパク質（腫瘍抗原など）の合成を指示し、免疫応答を引き起こす。しかし同じアミノ酸でも複数の異なるコドンでコードでき、コドン使用頻度の差は大きい。

mRNA 配列最適化はアミノ酸配列を塩基に翻訳する単純な作業ではなく、同じタンパク質をコードできる全候補配列の中から、翻訳効率が最も高く安定性が最も良いものを選ぶこと。コドン選択は翻訳速度（CAI）に影響し、UTR 構造は mRNA 半減期とリボソーム積載（MRL）に影響し、異なる標的組織ではコドン偏好が異なる。

DiVo は自研 RNALens 微調整モデルでリボソーム積載効率を予測（Spearman=0.92）、第三者 API の呼び出しではなく--微調整データ、訓練フロー、推論サービスは全て自デプロイ。

なぜコドン選択が重要か

同じアミノ酸には2-6個のコドンがある。人体細胞は特定のコドンを他よりはるかに速く翻訳する--正しいコドンを選ぶことで翻訳効率を0.7から0.95に向上できる（CAI 指数）。

なぜ自研微調整が重要か

汎用事前訓練モデルの mRNA 配列予測精度は限定的。三段階微調整で RNALens を mRNA MRL タスクに特化--Spearman=0.92 は汎用モデルのゼロショット性能ではなく、ドメイン適応後の専精結果。

DiVo Gen²AI の役割

mRNA 配列最適化は DiVo 新生抗原8ステップパイプラインのStep 7であり、CAR-T 5ステップパイプラインの CAR 構築体 mRNA 最適化の核心能力でもある。コドン最適化からリボソーム積載予測まで UTR 最適化までの全鎖路を提供--CAI 最適化だけで結果を出すのではなく、コード領域と調控領域を同時に最適化し、自研モデルで機能検証。

mRNA デリバリーシステム設計（LNP 処方など）はしない、in vivo 発現効率の実験検証はしない。計算最適化された mRNA 配列設計方案を納品する。

コア能力 · 4ステップパイプライン

アミノ酸配列から組織適応の最適 mRNA 配列まで

MO1

コドン最適化 (CAI)

✓ 已验证

自研コドン最適化アルゴリズム

CAI 0.7 -> 0.95 最適化配列

MO2

リボソーム積載効率予測

✓ 已验证

RNALens (DNABERT-Z 117M 微調整)

MRL 予測 + Spearman=0.92

MO3

UTR 最適化 + 安定性評価

✓ 已验证

GEMORNA + ViennaRNA

5'/3' UTR 最適化配列 + 二次構造スコア

MO4

組織適応モデル選択

✓ 已验证

HEK293T / Muscle / PC3

標的組織適応の最適配列

差別化優勢

「CAI のみ」と「第三者 API 呼び出し」との核心的区別

AI

自研微調整、第三者 API ではない

RNALens は DNABERT-Z 117M パラメータ三段階微調整に基づく。微調整データ、訓練フロー、推論サービスは全て自デプロイ。第三者モデル API のラッパーではなく、56万行の自研コードの一部。

UTR

コード領域だけでなく調控領域も最適化

多くの mRNA 最適化サービスは CDS コドン最適化のみ。DiVo は GEMORNA で UTR を生成 + ViennaRNA で安定性を評価し、コード領域と調控領域を同時に最適化--翻訳効率と安定性の両方を兼顾。

コア能力

CAI コドン適応指数最適化

✓ 已验证

0.7から0.95へ向上--コドン使用頻度を宿主細胞偏好に寄せ、翻訳効率を大幅に向上。

MRL リボソーム積載効率予測

✓ 已验证

DNABERT-Z 117M パラメータ三段階微調整の RNALens モデル。Spearman=0.92, R²=0.87--mRNA 配列のリボソーム積載効率を予測。

5'/3' UTR 最適化

✓ 已验证

GEMORNA 生成 + ViennaRNA 安定性評価。コード領域だけでなく調控領域も最適化。

3 組織適応モデル

✓ 已验证

HEK293T / Muscle / PC3 三種の標的組織/細胞系適応モデル--異なる組織は異なるコドンを偏好。

なぜ「自研微調整」を強調するか

->

第三者 API の呼び出しではない

RNALens は DNABERT-Z 117M パラメータ三段階微調整に基づく自研モデル。微調整データ、訓練フロー、推論サービスは全て自デプロイ。

->

汎用事前訓練ウェイトではない

三段階微調整：(1) DNABERT-Z 117M 事前訓練 -> (2) mRNA MRL 下流タスク微調整 -> (3) DiVo 自研データドメイン適応微調整。

->

実戦検証あり

アスパラギナーゼプロジェクト：6194 変異 × 11版迭代。CAI 0.7->0.95。玩具プロジェクトではない。

検証指標

指標値説明
MRL Spearman0.92リボソーム積載効率予測相関
R²0.87決定係数
CAI 最適化後0.950.7から向上
DNABERT-Z パラメータ117M三段階微調整
組織適応モデル3種HEK293T / Muscle / PC3
実戦検証アスパラギナーゼ 6194 変異11版迭代
0.92
MRL Spearman
0.87
R²
0.95
CAI 最適化後
117M
DNABERT-Z パラメータ

誠実な境界

できることとできないこと、すべて明記

できること

✓CAI コドン適応指数最適化（0.7 -> 0.95）
✓MRL リボソーム積載効率予測（Spearman=0.92）
✓5'/3' UTR 配列最適化 + 安定性評価
✓3 組織適応モデル（HEK293T / Muscle / PC3）
✓自研 RNALens 微調整モデル全鎖路

明確にしないこと

✗mRNA デリバリーシステム設計しない（LNP 処方など）
✗in vivo 発現効率の実験検証しない
✗in vivo mRNA 安定性測定しない
✗臨床級 GMP 製造プロセス最適化しない
✗患者に直接 mRNA 治療方案を提供しない

用語集

mRNA 配列最適化分野の核心5用語

略称フルネーム訳語解説
CAICodon Adaptation Indexコドン適応指数コドン使用頻度と宿主細胞偏好の一致度を測定、高いほど翻訳効率が良い
MRLMean Ribosome Loading平均リボソーム積載mRNA 上のリボソーム平均数、翻訳開始効率を反映
UTRUntranslated Region非翻訳領域mRNA 両端のタンパク質をコードしない調控配列、5' UTR は翻訳開始に、3' UTR は安定性に影響
RNALensDiVo RNALensDiVo RNA 予測モデルDNABERT-Z 117M 三段階微調整に基づく自研 mRNA 性質予測モデル
GEMORNAGenerative mRNAmRNA 生成モデルmRNA UTR 配列の生成と最適化に用いる生成モデル

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

L2 · 模型
RNALens

mRNA MRL 予測、DNABERT-Z 117M 三段階微調整

L3 · Agent
mRNA Design Agent

抗原配列から完全 mRNA 設計まで

L4 · パイプライン
mrna-design

mRNA ワクチン/薬物設計パイプライン

硅片(L1) → 模型(L2) → Agent(L3) → 管线(L4) → 你的场景

旗艦 · 新生抗原パイプライン新增 · CAR-T 治療Step 1 · HLA 分型Step 5 · pMHC 構造四維一体総覧