摘要从宏转录组数据中发现RNA病毒一直面临极大挑战其根源在于序列极度发散、长度高度异质——既可能是数万残基的多聚蛋白也可能是短组装片段乃至装配假象。作者提出Rider一种两阶段框架将深度表示学习与可扩展的域特异性结构验证相协同。第一阶段Rider 利用紧凑的预训练蛋白质语言模型广泛检测高度发散的病毒信号为克服语言模型固有输入长度限制并准确定位催化核心结构域第二阶段采用重叠滑窗结构预测策略并将预测结构比对至作者构建的非冗余RdRpRNA依赖的RNA聚合酶RNA-dependent RNA polymerase结构域数据库。该以结构域为中心的设计算法可检测嵌入长多聚蛋白中的 RdRp 结构域以及截短片段。在跨越多种生态系统的逾 10,000 套宏转录组中Rider 达到与 LucaProt 相当的灵敏度召回已编目 RNA 病毒的 99% 以上并鉴定出既有方法难以发现的深度发散序列与进化枝。在炎症性肠病inflammatory bowel diseaseIBD人类队列中Rider 与其他方法在已知病毒检测上一致同时将检测范围拓展至发散谱系为全球RNA病毒组探索提供可扩展流程。keywordsRNA病毒发现宏转录组蛋白质语言模型RdRp结构验证Foldseek病毒暗物质炎症性肠病文献信息Luo, G., Zang, Z., Yuan, L., Zhou, J., Dong, A., Huang, Y., Li, S. Z., Ju, F. (2026). Deep learning coupled with scalable domain-specific structural validation expands RNA virus discovery from metatranscriptomes.Nature Communications. https://doi.org/10.1038/s41467-026-77183-y期刊Nature CommunicationsIF18.1发表时间2026 年 9 月 16 日Article in Press研究总结Rider研究问题序列极度发散长短长度异质片段与多聚蛋白同源搜索失效方法冻结ESM2表征Transformer分类重叠滑窗结构预测RDSDB结构比对结果短片段高灵敏长多聚蛋白定位万套宏转录组应用IBD病毒组重校准意义病毒暗物质发现结构验证可扩展环境医学双场景背景介绍RNA病毒是微生物生态系统的关键组分并与人类健康关联日益密切。大多数检测流程依赖与已知RdRp的序列同源性但高度发散病毒家族缺乏典型基序在短重叠群、融合或非典型基因组结构中表现不佳。基于比对的 BLAST、HMMER 易受灵敏度不足与假阴性困扰LucaProt 虽引入序列与接触图双模态但全样本蛋白结构预测在计算上难以承受且对 100–250 aa 短片段与超过 4000 aa 长多聚蛋白存在盲区。蛋白质语言模型protein language modelPLM如 ESM 可隐式捕获结构特征但固定输入窗口会截断长蛋白、破坏片段连续性且深度学习常缺显式三维验证。文章由此提出 Rider用紧凑 PLM 做广筛用 RdRp 域中心的结构比对做严筛。重要结果Rider 的架构与在零泄漏基准上的分类性能Rider 第一阶段以 3500 万参数ESM-2提取序列嵌入经 Transformer 分类器精炼第二阶段对高置信候选做结构预测并用 Foldseek 比对RDSDBRider RdRp-domain-specific database。在和训练集 0% 序列一致性的 Serratus RdRp 测试集1:40上Rider 的 ROC AUC 为 0.976在 Neri 1:100 不平衡集上为 0.983并在 10 万条非病毒序列中仅误报 96 条。Fig. 1 | Rider 工作流程概览。a 训练与验证数据设置b 基于公共数据集构建 Rider RdRp 结构数据库并用 ESMFold v1 生成结构精炼出 RDSDB 与 RDSDB30c 第一阶段用蛋白质语言模型嵌入 ORFTransformer 层输出病毒/非病毒概率d 第二阶段以已知 RdRp 相似性过滤保留相似度低于 90% 的发散候选e 用 Foldseek 将预测结构与 Rider RdRp 结构库比对按 TopK 概率分或 TM-score 选候选。短片段与基序级 RdRp 检测优势在长度 ≤300 aa 的短 RdRp 片段集上Rider AUC 为 0.988高于 LucaProt 的 0.966在 PalmDB RdRp 基序集上Rider AUC 为 0.987LucaProt 为 0.920。默认阈值下PalmDB 基序集中 Rider 召回 1240 条真阳性、仅 78 条假阳性而 LucaProt 召回 891 条、假阳性 148 条。30 万条非 RdRp 蛋白大规模负集上严格模式假阳率约 0.1%普通模式约 0.7%。Figure 2. a Serratus 1:40 测试集 ROCb Neri 1:100 不平衡集 AUCc 短 RdRp 片段≤300 aa各方法 AUCd PalmDB RdRp 基序集 AUCe 原始 token、ESM-2、Transformer-only 与 Rider 嵌入的 t-SNEf RefSeq 不同长度 RNA 病毒序列召回g IMG/VR v4 九类生境召回h 模拟组装片段召回i Neri 门到科级新颖性召回j 序列长度分组k IMG/VR 环境来源 TPR。远程同源与片段化难题的结构验证破解尽管 287816_2 与参考 RdRp 序列相似度仅 40.57%其三维结构仍高度保守TM-score0.98。在最大相似度 30% 与 0% 的远程同源基准上Rider 第二阶段分别召回 99.71% 与 90.91%而全长 ORF HMM 最多召回 0.3%。RDSDB30 中真 RdRp 通常 Prob-score50、TM-score0.6与非 RdRp 结构明显分离。ICTV 4570 条注释 RdRp 中 Rider 召回 99.64%LucaProt 为 98.1%Mitovirus 全基因被 Prodigal-gv 切成 92 aa 与 97 aa 片段时Rider 识别为病毒 RdRpLucaProt 未检出。Figure 3. a 活性污泥候选 AD_AS_287816 与参考 UVM79539 结构比对低序列同一性但 TM-score0.98b 30% 与 0% 相似度基准下各方法 TPRc RDSDB30 中阳性/阴性结构 TM-score 分布d RDSDB30 Prob-score 分布e Rider 与 LucaProt 训练数据长度分布f ICTV 基准假阴性分析g LucaProt 漏检序列集中于 100–250 aah Mitovirus 片段化案例i Sesbania mosaic virus 中 P2a 被结构验证拒绝、P2ab 中 RdRp 被定位。3i. 左SeMV P2a 与 P2ab 的 ESMFold 建模P2ab 有有效折叠、P2a 缺核心结构右域架构与检测结果Rider-st 与 Rider-s2 成功滤除无 RdRp 核心的 P2a。长多聚蛋白中功能 RdRp 域的精确定位Sesbania mosaic virus 的截短前体 P2a 缺聚合酶读通产物 P2ab 含 C 端 RdRpRider 第二阶段因 P2a 无核心折叠TM-score0.5将其滤除并在 P2ab 中定位 RdRp。在 109 条冠状病毒科多聚蛋白87 条 ORF1ab、22 条 ORF1a上Rider 第一阶段标记 108 条第二阶段正确滤除 21/22 条无 RdRp 的 ORF1a并召回 82/87 条 ORF1ab。LucaProt 因 4000 aa 输入上限漏掉 YP_009113022.1 的 RdRp 域位于 4420–5344 位且把 12 条 ORF1a 误判为 RdRp。DNA 读段覆盖作为 RNA 起源的正交验证在 167 套配对宏基因组—宏转录组数据中作者用 DNA 映射率检验 Rider 预测是否对应真实 RNA 病毒。结构验证后 Prob-score50 的候选在不同生境中总体 DNA 映射率均值约 3.5%且 Rider 分数越高、DNA 映射率越低。该多组学结果支持 Rider 预测主要源于 RNA而非 DNA 病毒污染或组装假象。万套宏转录组中的 RNA 病毒组扩展在逾 10,000 套宏转录组上ORF 按 90% 氨基酸相似度聚类后11,113 个候选在结构水平被 RDSDB 验证放宽 TM-score0.45 可救回更多低序列相似度候选。Rider 与 LucaProt/PalmScan 至少两法共检 12,888 个三法共检 9421 个仅 Rider 检出 519 个。土壤是发散 RNA 病毒最丰富储库Rider 在土壤样本检索上比 PalmScan 与 LucaProt 分别高 5.33% 与 1.04%。在 LucaProt supergroups 上Rider 第一阶段召回 161,158/161,97999.49%。Figure 4. a Rider/LucaProt/PalmScan 候选簇韦恩图b 各生境对数计数c Rider 召回 LucaProt 报告 RdRp 的 99.49%d 11,113 个结构验证候选的结构引导系统树内条带为预测门外轨含 ICTV 分类、与 LucaProt supergroup 相似度、共检/独检与枝大小e 土壤独检候选与参考 rv4_111682 结构比对 TM-score0.94f 氨基酸长度分布g Prob-score 与 TM-score 边际密度h 已验证/未验证候选 pLDDTi Rider 分数与 DNA 映射率。4d–e 及正文 pLDDT 分析已验证高度发散序列平均 pLDDT 0.75未验证序列平均 pLDDT 0.41结构预测失败是验证缺口的主因而非候选必然为假阳性。深度发散进化枝与结构验证瓶颈结构引导系统树揭示一株土壤长枝序列soil_srr5215306_k141_2531332 domain_2001_2630两侧均为 Duplornaviricota 参考序列虽初级序列高度发散但与 rv4_111682 的 TM-score 达 0.94。另一支持率 95%、157 个叶节点的进化枝多数与 Pisuviricota 参考仅有零星交叉且大量序列 LucaProt 未检出。共识 13,407 个候选中 11,113 个获结构验证剩余 2294 个平均 pLDDT 仅 0.41其中 61.5% 处结构“暮光区”说明当前单序列折叠模型对极端发散 RNA 病毒的结构预测本身会崩塌未验证不等于非病毒。IBD 人肠队列中短片段重校准病毒组解读在 CD、UC 与非 IBD 对照肠宏转录组中各生境 ORF 中约 38–44% 短于 200 aa。仅看 200 aa 时UC 病毒负荷似高于对照纳入经结构验证的 100 aa 短片段后非 IBD 对照与 UC 病毒丰度相当而 CD 始终最低。DNA 映射率近零与 Foldseek 平均 Prob-score 77.75 共同支持这些短片段为外源 RNA 病毒元件。结果表明健康肠也有大量片段化病毒群克罗恩病的稳定特征是 RNA 病毒组耗减而非 UC 中曾被报道的“病毒暴发”。Figure 5. h 土壤/海洋/淡水/人肠 ORF 长度分布与 200 aa 阈值i 四生境短 ORF 占比 38–44%f–g 独特 Rider 预测重叠群 DNA 映射率密度j Foldseek 结构验证概率分直方图均值 77.75b–d 不同长度阈值下 UC/对照/CD 病毒丰度比较。方法学参考宏转录组质控与MEGAHIT组装Prodigal-gv预测ORFRider第一阶段冻结ESM2嵌入加Transformer分类序列相似度过滤保留发散候选长序列重叠滑窗1000aa步长500aaESMFold预测三维结构Foldseek比对RDSDB与RDSDB30Prob-score与TM-score决策DNA读段映射排除DNA病毒污染结构引导系统发育与生态/疾病分析可复用要点包括用冻结小型 PLM 降低过拟合与算力开销以 RdRp 核心域库替代全蛋白库做结构比对长蛋白滑窗、短片段直接建模以兼顾两端长度异质以配对 DNA 宏基因组映射率作为 RNA 病毒正交验证在医学队列中把短 ORF 单独抽取并用结构概率分确认避免把组装碎片直接丢弃。总结Rider 的核心贡献不在于单纯追求“更深的语言模型”而是把广筛与严证解耦第一阶段用紧凑蛋白质语言模型绕开输入长度壁垒第二阶段用 RdRp 域中心的结构比对把真正催化折叠从长多聚蛋白、截短碎片与装配假象中分离出来。该方法在短片段、基序级 RdRp、超过 4000 aa 多聚蛋白与全球尺度宏转录组上均表现出高灵敏度与可控假阳率并把 RNA 病毒“暗物质”的边界向外推进。与此同时作者也指出单序列结构预测模型对极端发散病毒存在折叠失败偏差结构匹配应作为指示性证据而非最终分类依据。将 Rider 用于高灵敏扫描、再以域级结构与生态上下文精修是未来环境病毒组与疾病相关病毒组研究的可行范式。参考文献Luo, G., Zang, Z., Yuan, L., Zhou, J., Dong, A., Huang, Y., Li, S. Z., Ju, F. (2026). Deep learning coupled with scalable domain-specific structural validation expands RNA virus discovery from metatranscriptomes.Nature Communications. https://doi.org/10.1038/s41467-026-77183-yEdgar, R. C., et al. (2022). Serratus and PalmDB resources for RNA virus RdRp discovery.Neri, U., et al. (2022). Expansion of the global RNA virome and benchmarking of remote homolog detection.Nature Communications 期刊主页https://www.nature.com/ncomms/ESM/ESM-2https://github.com/facebookresearch/esmFoldseekhttps://github.com/steineggerlab/foldseekgeNomadhttps://github.com/apcamargo/genomadLucaProt相关代码与基准见 LucaProt 项目页与原始论文