随着mRNA疫苗和治疗药物从概念验证走向多疾病应用，如何在mRNA序列中平衡翻译效率、稳定性、免疫原性和可制造性，成为下一代核酸药物设计的重要问题。与传统小分子或重组蛋白药物不同，mRNA药物的药效学和药代动力学性质很大程度上由核苷酸序列本身决定；尤其是5′UTR、编码序列（CDS）、3′UTR等关键结构元件，共同影响蛋白表达和药物的体内表现。

近日，中国科学院上海药物研究所李叙潼、郑明月团队在Journal of Advanced Research发表题为Transforming mRNA drug design with AI: From UTR and codon optimization to coordinated design 的综述文章。文章围绕数据基础、评价指标和算法框架，梳理AI在UTR设计、CDS优化和UTR-CDS协同设计中的进展，并指出数据标准化、模型泛化、多目标权衡和可解释性等需要重点解决的问题。

引言

mRNA在基因表达和蛋白质合成中承担信息传递作用，已成为疫苗、癌症免疫治疗和蛋白替代疗法的重要技术平台。SARS-CoV-2 mRNA疫苗的大规模临床验证证明，mRNA药物可以在较短周期内完成设计和开发，并在特定适应症中实现有效保护。mRNA药物不需要进入细胞核、不整合基因组，表达具有可逆性和可调控性，且制造流程具有平台化优势。

图1. AI在mRNA设计中的总体框架。（A）mRNA结构元件及其优化范围，UTR设计、密码子设计和多区域协同设计分别作用于5′UTR、CDS和3′UTR等调控层级。（B）从传统规则驱动设计向AI驱动设计的转变，AI结合数据预测、生成建模和序列空间搜索，以优先获得性质更优的mRNA候选序列。

如图1A所示，从结构上看，成熟真核mRNA由5′端帽结构、5′UTR、编码序列（CDS）、3′UTR和Poly(A)尾等模块构成，并常与假尿苷或N1-甲基假尿苷等核苷修饰共同发挥作用。5′端帽和Kozak序列影响核糖体起始识别，UTR和CDS的二级结构及局部密码子组成共同调控扫描、起始和延伸，3′UTR中的顺式调控元件则参与mRNA定位、稳定性和降解。

从分子设计角度看，mRNA序列优化是在强生物学与生物物理约束下进行的高维组合优化问题。例如，SARS-CoV-2刺突蛋白对应的同义编码空间可达约10632种序列；尽管这些序列编码相同多肽，它们在二级结构稳定性、翻译效率（TE）等关键性质上可能相差数个数量级。如图1B所示，传统策略多依赖启发式规则和低至中通量实验，只能探索局部区域，且难以同时平衡TE、稳定性和免疫原性。此外，将UTR和CDS解耦优化，还可能忽视全长分子内的长程调控作用，降低模型在复杂生物体系中的泛化能力。

人工智能（AI）的引入为突破上述组合设计瓶颈提供了新的范式。深度学习表征模型可从大规模异质数据中学习序列、结构与功能之间的非线性关系，用于预测TE、mRNA稳定性、蛋白表达水平及先天免疫激活等关键性质；在此基础上，生成模型和优化模型可将这些预测器作为评分函数，在同义编码序列变体和UTR构型组成的巨大联合空间中进行目标导向搜索，从而实现多种药理学约束之间的更优权衡。随着相关计算模型快速涌现，mRNA设计范式正由单一区域优化转向UTR与CDS的协同设计，包括交替优化、模块化生成、整合评分和全长表征学习等策略。因此，本综述从UTR、CDS及UTR-CDS协同设计三个层次系统梳理AI驱动的mRNA序列工程方法，重点讨论表征模型与生成/优化模型两条方法学主线，并进一步分析数据碎片化、跨体系泛化不足、多目标药理学建模有限及模型可解释性不足等挑战，展望标准化开放数据平台、多模态基础模型和闭环“设计-构建-测试-学习”框架的发展方向。

数据

本综述将AI辅助mRNA设计所依赖的数据概括为多层级体系。第一类数据来自公共数据库和大规模多组学项目，包括Ensembl、RefSeq、GENCODE、UniProt、GTEx和Human Protein Atlas等资源。这些数据库提供CDS和UTR注释、蛋白目标集合、组织表达谱、RNA-seq和Ribo-seq等信息，可用于构建自监督预训练语料、估计密码子使用偏好、分析UTR基序分布以及近似标注翻译效率和核糖体占据情况。
公共数据具有覆盖面广的优势，但其多数反映稳态测量而非可控扰动的因果效应；表达水平还受到启动子活性、剪接、核输出和降解等因素共同影响。因此，仅依赖公共数据通常难以精确判断特定UTR片段或少量密码子替换对翻译效率和稳定性的影响。为获得更可控的监督信号，当前多数研究采用合成报告基因文库和大规模并行报告实验（MPRA），在统一载体和启动子背景下系统改变5′UTR、3′UTR或CDS片段，并测定转录输出、核糖体负载、报告活性或蛋白表达。
第三类数据来自体外和体内功能验证，其规模较小但更接近药物开发场景，包括不同细胞系中的蛋白表达、抗原表达、mRNA稳定性、组织分布、免疫原性和抗体滴度等终点。综述强调，当前数据景观最突出的问题是高度定制化、原始数据共享不足和统一基准缺乏。不同研究的文库长度、随机化策略、修饰体系和细胞模型差异较大，导致性能指标往往只能在原始数据集内部解释，难以进行严格横向比较。未来需要构建覆盖多细胞类型、多时间尺度和多核苷修饰条件的开放数据集，并配套标准化评测流程。

评价指标

mRNA的细胞内生命周期涉及折叠、翻译起始、延伸和降解等耦合过程，因此不存在单一指标能够完整表征药物性质。综述将常用指标分为四类：序列统计和生物物理特征、热力学稳定性、动态翻译动力学，以及药效学和可开发性终点。这些指标既是AI模型的优化目标，也是模型比较和实验验证的基准。
结构和序列层面，最小自由能（MFE）常用于描述RNA二级结构稳定性。CDS优化还常使用密码子适应指数（CAI）、最优密码子频率（Fop）和有效密码子数（ENC）等指标，但CAI和Fop依赖宿主背景、参考基因集和计算方法，ENC也只能反映密码子使用偏倚强度，不能直接说明其是否有利于特定宿主翻译。
功能层面，平均核糖体负载（MRL）、翻译效率（TE）、mRNA半衰期、蛋白表达水平（EL）和免疫原性更接近药物开发需求。综述指出，临床级mRNA设计必须从单一表达最大化转向多目标优化，在高表达、长半衰期、低免疫原性、组织特异性和制造可行性之间寻找可解释、可验证的折中方案。

UTR设计

UTR是mRNA药物序列中最直接调控翻译起始、稳定性和细胞类型响应的顺式作用元件。5′UTR影响核糖体识别、扫描和起始密码子选择，3′UTR则通过RNA结合蛋白和miRNA等调控mRNA定位、半衰期和降解。传统UTR设计多借用高表达内源基因UTR模板，或通过Kozak共识序列、删除上游开放阅读框和AU-rich元件等方式降低翻译抑制与降解风险。这些策略有助于早期开发，但仍属于经验迁移，难以系统探索UTR空间。在这一背景下，基于AI的数据驱动方法为突破这些设计瓶颈提供了新机会。对于mRNA治疗药物，AI模型既可以作为预测器，估计候选UTR在指定细胞环境中的翻译水平和稳定性；也可以作为设计器，从头生成满足预设药理属性的合成UTR，从而推动设计范式从经验模仿天然UTR转向精准的性质驱动设计。
当前UTR设计正在从单个预测器走向“预训练-微调-实验验证”的基础模型框架。预训练阶段（图2A）不仅可以使用天然5′UTR序列，还可以整合CDS、3′UTR、RNA-seq、Ribo-seq和MPRA文库等多来源数据；模型通过掩码核苷酸预测、二级结构和MFE预测等自监督任务学习序列语法、结构约束和跨物种保守信息。这一步的意义在于，模型不再只记忆某个报告文库中的局部k-mer特征，而是形成对UTR调控语法的通用表征，为后续少量高质量标注数据上的任务微调提供基础。在微调阶段（图2B），预训练模型可以被适配到平均核糖体负载（MRL）、翻译效率（TE）、mRNA稳定性、半衰期、免疫原性和组织特异性等下游任务。同时，预测任务和设计任务可以被放在同一流程中：一方面，模型可作为评分器，对候选UTR预测表达、稳定性或免疫相关风险；另一方面，模型也可作为生成器或优化器，输出5′UTR、3′UTR甚至全长mRNA候选序列。候选序列随后需要经过体外筛选和体内测试，最终才能进入mRNA药物开发场景。
图2. mRNA基础模型的预训练与微调框架。（A）利用大规模序列数据库和多组学谱进行自监督预训练，通过掩码核苷酸预测、结构建模等任务学习可泛化表示。（B）预训练模型可在MRL、TE、稳定性、免疫原性、UTR设计和CDS优化等下游任务中微调，并与体外和体内验证衔接。
早期UTR建模以判别式预测为主。Optimus 5-Prime利用CNN从MPRA文库学习5′UTR与MRL的关系，并可结合遗传算法进行逆向设计；Frame Pooling加入阅读框信息以适应可变长UTR。随后，Random Forest、MTtrans、UTR-LM和UTR-Insight等方法分别引入手工特征、多任务学习、Transformer预训练和CNN-Transformer解码，推动模型从局部k-mer记忆走向更通用的调控表征。尤其是UTR-LM和UTR-Insight这类模型更接近图2所示框架：先从大规模序列中学习通用表示，再针对MRL、TE或表达水平进行微调和筛选。
生成式AI也开始直接参与UTR设计。UTRGAN、Smart5UTR、PARADE和MOBO-5UTR等方法可在潜在空间中搜索高表达、低毒性、组织特异性或多目标平衡的UTR序列；其中Smart5UTR面向m1Ψ修饰mRNA疫苗，PARADE强调细胞类型选择性，MOBO-5UTR则把TE、稳定性、碱基组成和结构风险纳入同一优化框架。
总体来看，AI使UTR设计从有限天然模板筛选，迈向可预测、可生成和可多目标优化的新阶段。未来的关键挑战在于提升模型从合成文库到真实内源 mRNA、从体外体系到体内药物场景的泛化能力，并通过实验验证建立更可靠的闭环设计平台。

CDS优化

CDS优化是提高mRNA TE、缓解蛋白表达瓶颈的核心策略，其做法是在冗余遗传密码中优先选择有利的同义密码子。由于密码子使用具有简并性，即便是绿色荧光蛋白（GFP）等相对较短的蛋白，也拥有天文数量级的理论同义编码空间；而SARS-CoV-2刺突蛋白等大型病毒抗原则会产生大得多的组合序列空间。这些同义设计空间规模巨大，使穷举枚举和暴力搜索在计算上不可行。
高表达宿主通常具有密码子使用偏好，最优密码子也常与更丰富的tRNA池相关，但实际蛋白表达水平由mRNA二级结构、GC含量、稀有密码子簇位置以及翻译起始和延伸动力学共同决定。仅依据CAI等频率指标进行替换，可能耗竭tRNA资源、诱发核糖体停顿，也可能引入不利结构或破坏关键翻译后修饰位点。因此，CDS优化本质上是巨大离散空间中的多目标优化问题。
CDS优化模型可以概括为三类（图3A）：机器学习评分模型用于预测表达、稳定性或候选排序；优化模型把CAI、MFE和GC含量等指标写入目标函数，在同义CDS空间中搜索折中；预训练表征模型（如CodonBERT）通过自监督学习上下文相关的密码子嵌入，支持表达、降解速率或稳定性预测。三类方法分别提供评分、搜索和表征能力，实际应用中常需组合使用。
图3. CDS优化算法及LinearDesign工作流程。（A）给定蛋白或氨基酸序列后，同义CDS空间可通过机器学习评分、优化模型和预训练表征模型等策略探索。（B）LinearDesign通过DFA、SCFG、动态规划和束搜索，在MFE与CAI之间建立可调权衡。（C）不同权重参数可描绘CAI-MFE优化前沿，并用于选择表达和稳定性更平衡的设计。
LinearDesign（图3B）是CDS优化的代表算法。它不是深度生成模型，而是基于形式语法和动态规划的计算优化方法：DFA紧凑表示给定蛋白序列的同义密码子空间，SCFG描述RNA折叠能量模型，再通过格解析、动态规划和束搜索寻找候选序列。其目标函数用MFE衡量结构稳定性、用CAI描述密码子适应性，并通过参数λ调节二者权重。
如图3C所示，改变λ可以描绘CAI-MFE优化前沿，使研究者可以从“结构更稳定”到“密码子更适应宿主”的连续谱中选择候选序列，而不是依赖单一指标。已有验证显示，优化序列可延长体外半衰期、提高细胞蛋白表达，并增强疫苗相关抗体应答。这些结果说明，CDS优化需要在同一设计空间中协调结构稳定性、翻译效率和免疫效果，而非只追求单一指标最大化。
与LinearDesign不同，CodonBERT代表的是预训练表征路线。它以密码子而不是单个核苷酸作为基本token，在大规模多物种CDS上进行自监督训练，从而学习密码子上下文、物种偏好和序列功能之间的潜在关系。这样的模型不直接给出唯一最优CDS，而是为表达预测、降解速率预测、候选序列打分和后续生成模型提供更丰富的表示。综述因此把CDS设计总结为两条互补路线：一类如LinearDesign，明确构造可解释目标函数并搜索优化前沿；另一类如CodonBERT，学习高维序列表征以支持预测和迁移。未来真正实用的CDS优化通常需要把这两者结合，并同时纳入免疫原性、制造性、LNP递送兼容性和跨物种泛化等约束。

协同设计

传统mRNA优化常把CDS和UTR视为独立单元，例如只优化CDS的CAI，或只改造5′UTR以增强翻译起始效率（图4A）。这种局部优化可能忽视UTR与CDS之间的结构和功能耦合，难以在多个目标之间达到全局平衡。因此，5′UTR和CDS联合设计成为下一代方法的重要方向，近期模型已开始把UTR-CDS相互作用纳入TE或EL预测，并探索协同优化、模块化生成和下游筛选。
图4. 多区域mRNA协同设计策略。（A）从5′UTR、CDS和3′UTR等局部优化走向多区域协同设计。（B）LinearDesign2展示5′UTR-CDS交替优化思路，综合TIE、CAI和MFE等目标。（C）GEMORNA代表模块化全长候选序列生成和筛选框架，体现协同多区域设计，而非完全端到端统一全长模型。
LinearDesign2（图4B）是在LinearDesign基础上的5′UTR-CDS交替优化扩展，并非端到端全长生成模型。它加入基于高通量数据训练的TIE预测器，把TIE、CAI和5′UTR-CDS转录本MFE纳入复合目标，在迭代搜索中寻找折中方案。该方法显示了联合优化的价值，但目前仍未显式建模3′UTR调控贡献，且局部邻域搜索对极大设计空间的覆盖能力有限。
另一个代表性模型GEMORNA采用模块化生成与筛选框架（图4C）。CDS模块使用Transformer编码器-解码器，根据目标蛋白生成同义CDS；UTR模块采用解码器架构，分别对5′UTR和3′UTR预训练并在高MRL或高稳定性文库上微调。推理时，模型先生成多个CDS候选，再为其搭配不同长度的5′UTR和3′UTR，连接成全长序列后通过少量体外和体内实验筛选。综述强调，GEMORNA应理解为“模块化生成+整合筛选”，而非端到端全长全局模型；当目标和约束增多时，组合空间仍可能带来较重实验负担。
mRNABERT则把CodonBERT的表征思想扩展到全长mRNA转录本。它在约1800万条非冗余全长mRNA序列上预训练，显式区分5′UTR、CDS和3′UTR，并采用UTR核苷酸级token、CDS密码子级token的双重token化方案。结合长序列建模和与蛋白语言模型的对比学习，mRNABERT在TE预测、表达和稳定性预测、RBP结合位点识别等任务中表现突出，有望成为协同设计的全长评分骨干；但它目前主要用于表征和判别，还不是实验整合型生成设计框架。
从药物开发角度看，协同优化仍处于早期阶段。多数方法的目标集合较窄，对免疫原性、组织/细胞类型特异性、体内药代动力学和可制造性等属性建模不足；跨物种和跨实验语境泛化能力也有限；模型生成或优化的序列往往难以对应到明确调控元件或结构-功能机制。未来框架需要把多维药理学和工程约束纳入统一目标，提高跨体系泛化，并引入更透明的结构分析和归因解释。

展望与结论

随着AI与RNA生物学融合，mRNA药物设计正在从经验性试错转向数据驱动的理性设计。设计对象也从UTR局部筛选或孤立CDS密码子适配，拓展到考虑全长转录本长程相互作用和协同优化的模型，使研究者能够在TE、稳定性和免疫原性等多目标空间中更精准地工程化mRNA分子。
方法上，AI辅助mRNA设计主要沿表征学习和生成式设计两条路线发展。前者通过自监督预训练或多任务学习建立序列到功能的映射，支持TE和降解动力学等表型预测；后者利用扩散模型、变分自编码器、强化学习或其他搜索策略，在庞大序列空间中寻找满足约束的候选。越来越多的框架开始把高精度表征模型作为评分函数或约束模块，引导生成模型形成闭环优化。
文章也指出，现有模型在复杂体内环境中仍有限制：合成MPRA数据与内源转录本、组织环境和病理状态之间存在分布偏移；生成或优化序列难以解释其具体调控机制；同时，LNP递送会受到序列长度、GC含量、结构紧密度和电荷分布等因素影响，而当前模型多将递送体系视为外部变量。
面向未来，综述提出四个方向：建立分层、标准化、开放的数据基准；发展整合序列、结构、化学修饰和多组学表型的多模态基础模型；将目标函数扩展到低免疫原性、组织特异性、药代药效、可制造性和LNP相容性等全生命周期属性；建立主动学习和“设计-构建-测试-学习”闭环，用实验反馈持续校正模型偏差。
总体而言，AI辅助mRNA设计已显示出加速治疗药物开发的潜力，但从学术模型走向临床应用，仍需解决数据标准化、模型泛化、多目标权衡和可解释性等问题。该综述为理解这一领域的技术格局、关键瓶颈和未来方向提供了系统框架。
中国科学院上海药物研究所博士研究生石宇琪、硕士研究生曾传龙为本文共同第一作者；中国科学院上海药物研究所李叙潼副研究员、郑明月研究员为论文共同通讯作者。研究得到上海市科学技术委员会、国家自然科学基金、中国科学院上海药物研究所、中国科学院战略性先导科技专项、上海药物研究所-上海中医药大学中医药创新联合研究项目、上海市科技重大专项和国家重点研发计划等项目资助。
原文链接
Yuqi Shi, Chuanlong Zeng, Xia Sheng, et al. Transforming mRNA drug design with AI: From UTR and codon optimization to coordinated design. Journal of Advanced Research, 2026, Doi: 10.1016/j.jare.2026.06.013.（点击下方阅读原文跳转）

内容中包含的图片若涉及版权问题，请及时与我们联系删除