z-bio 2026-06-02 39

　　早期识别如SARS-CoV-2等病原体的新兴主导变异对于有效的公共卫生应对至关重要，但现有方法尚无法实现实时监测。2026年5月27日，北京大学曹云龙、Jian Fanchong共同通讯在Nature Microbiology（IF=19.4）在线发表题为“A deep mutational scanning-informed protein language model predicts SARS-CoV-2 evolution dynamics with spatiotemporal resolution”的研究论文。该研究开发了一种名为DeepCoV的新型深度学习框架。该框架创新性地整合了深度突变扫描（DMS）、病毒蛋白序列与流行病学监测数据，能够提前一个月准确预测下一个主导变异株，将预测的假发现率降低90%，并成功模拟了JN.1、KP.2、KP.3等主要变异株的全球及区域流行轨迹，同时提前识别了S486P、F456L、A435S等具有进化优势的关键突变热点。

　　病原体与人类免疫之间的进化军备竞赛要求对新出现的变异进行主动监测。对于像SARS-CoV-2这样快速进化的病毒，早期识别高增长谱系对于大流行抵御能力至关重要，能够及时更新疫苗并为基于抗体的治疗方法的开发提供信息。

　　尽管高通量实验方法（如深度突变扫描）可以生成有价值的数据并提供对单个突变功能影响的见解，但其大量的资源需求限制了它们在持续监测中的应用。此外，基于深度突变扫描的方法本质上无法捕捉群体中完整病毒序列的进化动态，因为它们通常仅探测完整刺突蛋白的一个子结构域或一组有限的突变，并且在建模上位相互作用方面面临挑战，因为突变的组合空间过大。这些方法在COVID-19大流行早期被证明至关重要，但已变得越来越不实用。

　　该研究报道了DeepCoV，一个深度学习框架，用于在时空分辨率下动态识别具有高流行潜力的新兴变异。它整合了深度突变扫描衍生的突变表型、进化序列数据以及反映人群免疫压力的流行病学监测数据。在模拟回顾性监测场景中，与基于逻辑回归的方法和代表性深度学习方法的基准测试相比，DeepCoV能提前一个月准确预测近期流行谱系的主导地位，将错误发现率降低90%，同时捕捉变异传播的时空动态并重建其区域流行轨迹。它还通过计算机模拟识别了Omicron衍生骨架的突变热点，揭示了趋同进化趋势。这为及时识别免疫逃逸变异和关键突变提供了一个可扩展的框架，提供了可操作的见解。