预测器引导的潜空间密码子优化

密码子优化——选择同义密码子以改善mRNA翻译效率与蛋白表达——是治疗性蛋白生产与mRNA疫苗的核心，但仍是难题：设计空间离散且组合巨大，排除梯度法；既有工具依赖启发式代理（如密码子适应指数或GC含量），对真实表达捕捉不佳。我们提出潜空间密码子优化（LSCO）：把该离散问题重铸为连续问题——把序列映射进预训练mRNA语言模型的潜空间，实现高效的基于梯度的搜索。LSCO组合四个组件：来自不确定性感知预测器的数据驱动表达目标、结构稳定性的最小自由能正则、来自蛋白到密码子反译模型的自然性先验、以及为蛋白保真度的约束解码。在真实湿实验抗体表达数据集上，LSCO在预测表达上超越简单频率基线与现代深度生成基线，同时保持合适的生物物理性质。