预测 mRNA 体外转录产量，与实测相关 0.94，筛完序列却还没等来实验验证

mRNA 药物的产量，为什么卡在体外转录这一关？

Sanofi 团队把十万条 DNA 模板混进同一池体外转录反应，一次测序让每条序列报出各自的 RNA 产量，再用一个四层卷积网络按预测产量给候选排序。预测与实测的相关达到 0.94，但筛出的序列是否真的更高产，湿实验验证还没等来。这个看似可用却未闭环的结果从何而来？先回到 IVT 这道制造关。mRNA 药物和疫苗的活性成分就是一段 mRNA，它来自体外转录（IVT）：把 DNA 模板、RNA 聚合酶和四种核苷酸倒进同一根管子，让酶把 DNA 抄写成 RNA。这一步的产量直接决定一批药烧掉多少原料、能否放大到临床规模，制造商几乎都被它卡着。细胞里的序列设计抓手，比如 5′ UTR 引导核糖体扫描、3′ UTR 挂着 miRNA 靶位，已研究了二十多年，但体外转录发生在没有细胞、没有核糖体的试管里，决定产量的是另一组特征。论文在引言里点名了三个被怀疑的决定因素：GC 含量、二核苷酸频率和局部 motif，它们与产量之间的关系此前几乎没有被系统量化过。一个自然的猜想是产量主要卡在转录起始，也就是启动子邻近序列的领地，同期 Liao 2026 的作者也把"转录起始可能是可制造性的主因"作为假设提出，两边判断一致。Wu & Bazzini

下面这张示意画出本文关心的这段流程：

图注：自绘流程示意：DNA 模板经体外转录变成 mRNA，再经修饰与纯化成为可成药 mRNA。本文把瓶颈锁定在 IVT 这一步：序列决定反应产出多少 RNA，而这条规律此前无人系统刻画。

那么"产量"在论文里到底指什么？它是每一条模板的体外转录效率，操作定义是一个比值：RNA yield = log₂(RNA CPM / DNA CPM)。CPM 是测序深度归一化后的计数，即每百万读段中属于这条模板的条数。同一池反应里，DNA 模板有多少拷贝、被转录出多少条 RNA，分别由两条测序通道读出，相除再取以 2 为底的对数。这个定义值得停下来强调两句。第一，它是体外反应产出的 RNA 量，不是细胞内的表达量，把这两个概念混在一起，是读这类论文最常见的误会。第二，为什么要取对数？DNA 与 RNA 丰度的比值跨了好几个数量级，取对数之后，产量刻度上一个单位的差距就对应实际产量翻倍或减半，高低产在图上对称分布，模型学起来也更稳。RNAYield

经济账也把问题的分量摆得很清楚。IVT 的投入原料，包括聚合酶、DNA 模板和 cap analog，最高可占 RNA 制造成本的七成五，这是 Stover 2025 引用的行业数字。其中 cap analog 这类原料，只有被掺进产物的一小部分才算真正用上，所以反应怎么喂料、怎么循环利用酶，本身就是一门学问。要省这笔钱有两条独立的轴。一条是序列侧，改变模板序列本身来影响产量，本文站在这一侧。另一条是工艺侧，调整反应的补料策略、NTP 与 Mg²⁺ 浓度、pH 等参数。这两条轴并不互斥，甚至互相耦合：Stover 2025 的讨论里明确指出，最优的补料方案取决于序列自身的盐敏感特性，所以序列筛得准，工艺优化也跟着受益。但序列侧的规律要摸清，前提是先有一台"机器"，能一次测出成千上万条序列各自的产量。这台机器在下一章出现。Stover 2025

一次实验让十万条序列各报一次产量：大规模平行筛选在做什么？

一条模板一管反应地测产量，十万条就要十万管，既不现实也贵得离谱。大规模平行报告基因分析（MPRA）的思路正好反过来：把成千上万条序列混在一个池子里，一次反应、一次测序，让每条序列自己"报数"。把十万条塞进同一根管子，一次 IVT、一次测序，平均到每条模板上的成本被摊薄到几乎可以忽略，这正是"大规模平行"四个字的经济学含义。

MPRA 可以抽象成四步骨架，无论测的是剪接、poly(A) 还是翻译都适用。第一步建库，把序列变异装进一个报告基因构造的特定区域。第二步递送或反应，把整个库送进细胞、体外反应体系或动物体内。第三步读出分子表型，用荧光分选或测序把每条变异的活性量化。第四步测序定量，用高通量测序（NGS）把所有报告分子并行读出来。这最后一步是关键，它把通量推到了一次实验几千到几百万条序列。放到本文里，这四步对应得非常直接：建库是那十万条寡核苷酸，反应是 one-pot 体外转录，读出是 RNA 与 DNA 的丰度比，测序是两条 NGS 通道。CNN（卷积网络）几乎成了这类数据的默认建模架构，道理也直白：第一层卷积核在序列上滑动，本质上是在问"这一小段碱基长得像不像某个模式"，这和过去生物学家手工比对 motif 是同一件事，只是网络把模式连同规律一起从数据里学了出来。La Fleur 综述

图注：La Fleur 与 Seelig 综述里的 MPRA 三种读出变体：(A) flow-seq 按荧光强度流式分选。(B) RNA-seq 测剪接异构体。(C) RNA-seq 测翻译，IVT RNA 递送后蔗糖梯度分层。这是综述的示意图，不是本文的图。本文的 IVT 产量读出与 (C) 的 IVT RNA 递送同源，但把读出换成了 RNA 与 DNA 的丰度比。La Fleur 综述

这套"MPRA 出数据、CNN 学规律"的打法也不是本文首创。2019 年的 Optimus 5-Prime 用 28 万条随机 5′ UTR，靠 polysome profiling（多聚体谱分析）读出每条序列的核糖体负载。这个做法是按核糖体数量把 mRNA 离心分层，再对每层测序。然后用卷积网络学习序列到负载的映射，在 2 万条 held-out 测试序列上相关平方 r²=0.934。那是 Sample 等人发表在 Nature Biotechnology 的工作，与本文有共同作者。为什么同一个骨架能搬来搬去？因为无论读出的是核糖体负载还是 IVT 产量，任务都被归结成同一件事：从一个数字表出发，学习碱基序列到这个数字的映射。本文没有发明新范式，只是把读出的分子表型从翻译指标换成了 IVT 产量这个制造 KPI。Optimus 5-Prime 这条谱系里的库规模一路在涨：Optimus 5-Prime 是 28 万条，本文 10 万条，Liao 2026 直接推到 100 万。池子模式还有个隐藏代价，论文在结尾自己承认：所有模板在同一个反应里竞争同一个聚合酶，测到的产量天然带一点"同池内耗"的成分。这一点到最后一章还会回来。

这台机器的产出就是产量标签。标签长什么样、数据怎么生成和过滤，下一章拆开看。

十万条随机序列，怎么变成 2.4 万个产量标签？

论文设计了一个十万条规模的寡核苷酸文库。每条序列是一条约 200 碱基的寡核苷酸：固定启动子 + 下游随机可变区。这里有个必须先澄清的易混点：这十万条不是"随便抓来的随机 DNA"。每条都带启动子和限定的结构上下文，随机的只是可变区本身。这个设计决定了模型学到的是"在固定转录起点附近，序列怎么写会影响产量"，而不是泛泛的基因组规律。用完全随机的方式填可变区，等于把序列空间尽量摊开采样，让模型有机会见识自然界里极少出现的写法，这和同期 Liao 2026 那条用天然基因组片段的路线形成两种采样哲学，论文自己在结论里也拿这一点和对方做区分。

所有模板混进同一管 one-pot 体外转录反应，用含 N1-甲基假尿苷（m1Ψ）的核苷酸转录。m1Ψ 是修饰核苷酸，治疗用 mRNA 常用它替换尿苷，本文用它让文库的核苷酸组成贴近真实治疗 mRNA，这是刻意的设计选择，论文在结论里特别点明了这一点。转录完成后，DNA 与 RNA 两个通道分别定量。DNA 通道用 KAPA HyperPrep 试剂盒建库，两管重复，Illumina 双端各 150 碱基测序。RNA 通道用 SMARTer smRNA-Seq，六管重复。用比值而非绝对量做标签，还有一个实际的好处：每条模板在文库里的投产拷贝数本来就有波动，单看 RNA 或单看 DNA 都看不出"转化效率"，只有同时看到投入与产出，才能算出每一条模板被转录的比例。

测序读段比对回参考序列后，两个 DNA 文库共检出 73,754 条模板，六个 RNA 文库共检出 65,707 条。过滤条件很简单：两条 DNA 通道的平均读深不低于 100，留下 24,245 条进入建模。读深就是一条模板被测序仪读到的次数，读得太少，计数里的噪声会盖过真实的丰度信号，标签就不牢靠。从十万条到两万四千条，一部分序列在合成或扩增里丢失，一部分读深不足被淘汰，这是平行筛选实验的正常损耗。两万四千条对深度学习来说不算多，但在分子生物学里，一次平行实验拿到两万多个带真实表型标签的序列变体，已经足以撑起一个像样的监督学习任务。

图注：论文 Figure 1：10⁵ 条带启动子（绿色段）与随机可变区（粉色段）的 DNA 模板进入 one-pot 体外转录，RNA 与 DNA 分别走 RNA-seq 和 DNA-seq 双通道，最终汇成 RNA yield（RNA:DNA 比值）标签。RNAYield

到此数据侧就绪：24,245 条序列，每条一个 log₂(RNA/DNA) 产量标签，构成一个标准的监督学习数据集。模型的任务就是学"序列到产量"这个映射。用什么模型学？下一章的答案简单得让人意外。

四层卷积网络，如何把一段 DNA 读成产量分数？

模型的输入是一段 one-hot 编码的 DNA。one-hot 的意思是：把序列写成 4 行乘 N 列的矩阵，四行分别代表 A、C、G、T，每个位置只有实际出现的那个碱基所在的行是 1，其余为 0。比如序列以 G 开头，那第一列就是 G 行 1、其余三行 0。于是一条 200 碱基的序列变成一张 4×200 的"图"，卷积网络在这张图上滑动窗口提取局部特征。这种设计天生适合 DNA：调控元件往往换个位置依然起作用，卷积核在序列上滑动，等于把"这个模式出现在哪里都算数"直接写进了结构里。

架构刻意保持简单，见下图：

图注：论文 Figure 2：one-hot 编码的 DNA 序列（左侧 4×N 矩阵，A/C/G/T 四行）进入卷积层堆叠，经过两层全连接后输出 RNA yield。图中的省略号表示通道数被省略，卷积层数、卷积核大小与池化步长以正文为准。RNAYield

具体来说：四个卷积层，卷积核大小为 5，也就是每次扫 5 个碱基的窗口。每个卷积核可以理解成一类模板探测器：它把权重沿序列逐位置滑动，算出每个窗口里的碱基和自己的模板匹配得多紧，输出一张随位置变化的响应图。某个核可能恰好对齐了"连续几个 G 或 C"，扫到 GC 富集区就给出高响应。四层堆叠之后，高层的核能组合低层发现的局部模式，相当于从短 motif 拼出更长程的规律。三个 max-pooling 下采样步骤，步长 2，每两步取一次最大响应，把序列分辨率逐步压到原来的八分之一，留下压缩过的特征摘要。中间穿插层归一化，最后接一个小 MLP 输出一个标量产量。输入长度固定为 200 碱基，所有序列对齐一致，卷积网络不用处理变长输入带来的麻烦。作者自述这是此前同类翻译效率预测工作（论文参考文献 [3]）架构的简化版，没有做深层超参搜索，因为经验上这个简单架构表现好，训练和推理都快。在一个以筛选为目的的工程场景里，模型简单还意味着可复现、可审查、好维护，这比追 SOTA 更符合生产需求。注意一个细节：这次训练用什么 loss、什么优化器，论文一个字都没提，学习率和批大小也无从查起。这是论文的留白，不是我们漏读。

数据怎么划分，直接决定后面那个 0.94 好不好看。论文把 24,245 条随机切成 10 份不重叠的折，每折轮流当测试集，训练 10 个模型，这叫 10 折随机交叉验证。这里先埋个伏笔：划分是纯随机的，没有按序列相似度隔离序列。同源序列可能一部分在训练集、一部分在测试集，这个选择直接影响 0.94 该怎么读。下一章点破。

相关 0.94：这个分数怎么来的，又没告诉我们什么？

分数要是不好看，这篇论文的故事就讲不下去。可它好得有点扎眼，值得先问一句：这个数字是怎么算出来的？10 个模型各自在自己的测试折上预测一遍，把预测拼在一起，就成了图上每个点的横坐标。横轴是交叉验证预测的产量，纵轴是实测产量：

图注：论文 Figure 3：实测（纵轴）对 10 折交叉验证预测（横轴）RNA yield 的散点，数千点半透明散点沿对角线呈强正相关条带，蓝色为回归拟合线。顶部标注与论文 Table 1 一致，列出 n=24,245、PCC/SCC 0.94、RMSE 0.52、MAE 0.37、R² 0.87。RNAYield

逐个指标说人话。PCC 是皮尔逊相关，衡量预测与实测的线性相关强度，0.94 意味着排序基本正确。SCC 是斯皮尔曼秩相关，只看排序是否一致、不看数值贴不贴线，它也到 0.94，说明不管从哪个角度衡量，预测都相当稳。RMSE 和 MAE 衡量误差大小，单位是 log₂ 产量：RMSE 0.52 大约对应典型误差在 2 的 0.52 次方倍，也就是 1.4 倍上下。对筛选目的来说，1.4 倍的误差足以把序列分进高低两组，但不足以精确报数。R²=0.87 表示实测产量的方差有 87% 能被模型解释。如果只记住一件事，请记住这句：0.94 是"相关"，不是"准确率"。散点仍然有明显的离散度，同一预测值对应的实测值能差出一截，高相关不等于完美预测。换句话说，这个模型适合做"排序器"而不是"剂量计"：用它把候选序列分成高产和低产，够用。要它精确报出某条序列的绝对产量，0.52 的误差还不够格。逐折平均统计（论文 Table 1）为 PCC=0.939±0.00392、SCC=0.945±0.00338、RMSE=0.517±0.0185、R²=0.873±0.00945，折与折之间差异极小，说明结果不是某一折碰巧好。RNAYield

这个 0.94 还得放进评估纪律里读。10 折随机划分不隔离序列相似性：同一个调控区域的近亲变体，很可能一部分进了训练集、一部分进了测试集。设想最极端的情形，模型在测试时撞见一条和训练样本高度相似的序列，它只要认出"这几乎是我见过的"就能给出接近正确的分数，这种成绩说明不了它对陌生序列族的泛化。所以 0.94 严格说应视为上限估计；需要说明的是，论文自己在结论中承认的是另一类实验局限（文库在人工条件下受聚合酶竞争、RNA-RNA 相互作用可能改变聚合酶动力学），并未正面讨论相似度泄漏这一点。更严格的做法是先按序列相似度把文库聚成簇，再按簇划分训练与测试，保证同族序列不会同时出现在两边。这需要额外的构建，论文没有做。同期另一条路线可以做个参照：Liao 2026 用 100 万条模板、1D Conv + Transformer 的 MAP-Net 预测 IVT 产量，靠长读测序直接数全长产物，同样 10 折 CV 报出 r=0.78±0.01，当然两边对象与规模都不同，分数不能直接比。模型族也不是只有 CNN 一条路：Transformer 路线上有 UTR-STCNet，用注意力加可解释的 token 聚类预测核糖体负载，在三个公开数据集上刷新了基线。本文选了最简单的那种。Liao 2026 UTR-STCNet

最后是解释性。模型到底学到了什么规律，论文没有回答。结论里明确把"位置分析加 motif 重建"列为未来工作，全文没有任何基序可视化或原位突变分析，所以别替它宣传"模型发现了 XX 基序"。同范式的 Optimus 5-Prime 当年可视化过前两层卷积核，出现过 AUG、UAA、poly-U、GC-rich 之类的模式。本文的架构比它更简单，解释性这一步也留在了门外。

预测既然准了，模型现在被拿来干什么用，又有什么它明确没做的事？最后一章收口。

模型筛出的序列真的更高产吗？论文停在闭环之前

模型的工程产出是一个生产打分工具（production scoring tool）。把候选 DNA 序列列表喂进去，模型给每条打一个预测产量分，从高产排到低产，作为合成之前的"可制造性门槛"：预测偏低的候选可以推迟合成，或者回去重新设计。对生产部门来说，这个门槛越靠前，省下的合成与测试试剂钱就越多，正好接上第一章那句"原料成本占大头"。作者选择简单架构的理由之一就是打分要快，这对要批量过筛的生产场景是个实际考量。论文还建议把这个打分器和组合设计、生成式 AI 的输出联用，形成迭代设计回路。

图注：论文 Figure 4：DNA 模板候选列表进入 RNA yield AI/ML 模型打分与选择，输出按高产到低产排序的序列，供实验测试（for experimental testing）。注意箭头终点停在"供实验测试"，图中没有报告任何筛出序列的实测产量提升。RNAYield

注意图上的措辞：for experimental testing。这份手稿没有报告"筛出的序列拿去试管验证、产量提高了多少倍"这一步。闭环的最后一环，论文没有做。对照同期其他工作，就知道这一步并非做不到：

其中 Liao 2026 的产量区间与验证数字是其论文报告的结果，PARM 的突变下降倍数来自其论文的 mutation 实验。先澄清一个容易误读的点：7.6 倍与 7.8 倍是变异体之间的产量跨度，以 Spike XBB.8 为例，变体产量从低于野生型 74% 到高出 101% 不等，不是每条新序列都比对照普遍提升七倍。这张表说明一件事："预测、设计、实验验证"的闭环范式本身能走通，隔壁两条路线都已经跑完了全程。本文刻意停在筛选这一步：它的定位是一个工业环境里的筛前质检关，而不是端到端的产量放大器。论文在结论里把它描述成一条迭代回路的第一环：模型筛一批、实验验一批、把新数据喂回去再训练，筛得越来越准。框架搭好了，但这一篇里没有跑完。Liao 2026 PARM

论文自陈的局限也值得记下来。序列池是在人工条件下测试的，不同模板在同一池子里竞争同一个聚合酶，RNA 与 RNA 之间的相互作用还可能改变聚合酶动力学。从池子里学到的规律，外推到单条模板大规模生产时要留个心眼。此外 m1Ψ 的精确替换比例、cap analog 的选择、文库采样是均匀还是加权，论文都没有写明。还要记得序列只是 mRNA 制造的一个维度：工艺侧还有自己的优化前线，比如 Stover 2025 在 ChemBioChem 用机理模型驱动的 fed-batch 补料优化，那是另一条独立的可调轴。Stover 2025

即便只看现状，这条路的下一个台阶也看得见。给模型补上相似度隔离的评估，做位置分析与 motif 重建（论文自己把后一项列为未来扩展），把打分器接进生成式设计的回路，再拿一批筛出的序列做一次湿实验闭环。这些步骤没有一个是死路，全都指向同一条生产线：让"可制造性"成为 mRNA 设计的第一个约束，而不是最后才发现的问题。

怎么给这篇论文一个公允的判断？作为 Sanofi 工业团队的手稿，它的价值不在基础科学发现，而在把一条成熟范式落成制造现场可用的工具。预测精度（0.94）与它的局限一样清楚：随机交叉验证没有隔离序列相似性，筛出序列的产量提升也没有在湿实验里得到确认。对一个要真上线当质检关的模型，这两条迟早要补。它给 mRNA 制造带来的，不是一条已经闭环的流水线，而是一个"进反应釜之前先筛一遍"的支点：预测已经可用，验证还没跟上。这正是标题那句话的由来：筛完序列，实验验证还没等来。

想深入可以读原文：arXiv:2608.23722，Optimizing RNA yield using deep neural networks coupled to massively parallel screening。

参考文献

1. Optimizing RNA yield using deep neural networks coupled to massively parallel screening ｜ arXiv:2608.23722. arXiv 链接
2. A Universal, AI-based Design Framework for Efficient Manufacturing of mRNA Therapeutics ｜ bioRxiv 预印本 10.64898/2026.03.09.710039. bioRxiv 链接
3. Human 5′ UTR design and variant effect prediction from a massively parallel translation assay ｜ Nature Biotechnology 37:803–809 (2019). Nature 链接
4. Decoding Translation-Related Functional Sequences in 5′UTRs Using Interpretable Deep Learning Models ｜ arXiv:2507.16801. arXiv 链接
5. Translation and mRNA Stability Control ｜ Annual Review of Biochemistry 92:227-245 (2023). DOI 链接
6. Decoding biology with massively parallel reporter assays and machine learning ｜ Genes & Development 38(17-20):843-865 (2024). DOI 链接
7. Regulatory grammar in human promoters uncovered by MPRA-based deep learning ｜ Nature 651:1107-1116 (2026). DOI 链接
8. Model-Based Optimization of Fed-Batch In Vitro Transcription ｜ ChemBioChem 26(21) (2025). DOI 链接