设计适应度景观约束病毒逃逸
PNAS研究用计算方法优化抗体组合，重塑模型中的新冠病毒适应度景观；这是一套设计框架，距离经验证疫苗仍很远。
✓ 已核实
来源
PNAS research article, verified against PubMed, PubMed Central, Crossref and the linked bioRxiv version
⚑ 计算病毒学
60 秒版本
适应度景观设计用生物物理模型和随机优化寻找抗体组合，预测其可降低指定病毒进化路径的适应度。
要点
- 框架从理想景观出发，而不是从单一抗体或当前变异株出发。
- 论文把方法用于两个新冠病毒模型基因型中性网络。
- 所谓前瞻性疫苗是计算输出，研究没有动物或人体疗效数据。
- 模型准确度、免疫诱导、未建模突变和群体动力学仍是主要验证障碍。
结论. 这是检验进化约束的新型逆向设计框架，不是长效新冠疫苗或现实进化陷阱已经存在的证据。
研究者提出适应度景观设计：先规定理想的进化地形，再用算法搜索理论上能创造该地形的抗体组合。用于两个新冠病毒模型基因型网络时，它找到了旨在降低逃逸路径适应度的设计。
概念设计地形而不是一个终点
适应度景观把基因变异映射到指定条件下的表现。山峰是适应度较高的基因型，山谷是代价较大的基因型，路径连接方式影响哪些突变容易到达。FLD把常规流程倒转：先给出目标景观，再优化重塑景观的成分。
| 输入 | 目标蛋白、生物物理适应度模型和用户指定的目标景观。 |
|---|---|
| 搜索 | 随机优化探索抗体组合。 |
| 模型输出 | 预测可复现目标山峰、山谷和受限路径的组合。 |
| 演示 | 压低两个新冠病毒基因型中性网络的适应度，并提出前瞻性疫苗设计。 |
证据论文实际检验了什么
算法运行在化学推导的模型上，模型连接序列、蛋白稳定性、抗体结合和适应度。作者先检验优化组合能否生成指定景观，再应用到两个新冠病毒中性网络，也就是由突变连接且模型功能相近的基因型集合。
2个新冠病毒模型基因型网络
0名人体参与者
0个临床疗效终点
限制模型之外的进化更复杂
- 1. 模型误差：折叠、结合和适应度预测都只是近似。
- 2. 免疫反应：疫苗未必按所需强度和比例诱导设计的抗体组合。
- 3. 未建模路径：补偿突变、上位效应、重组或网络之外变化可打开替代路线。
- 4. 群体尺度：不同宿主间传播产生封闭基因图没有包含的选择压力。
论文展示了怎样搜索进化陷阱，没有证明病毒已在生物体或人群中被困住。
下一步从预测进入逃逸实验
关键验证包括深度突变扫描、结合和中和实验、在预测抗体压力下连续传代，以及动物免疫研究。只有免疫原性、安全性和保护效果成立后，才有理由进入临床试验。
作者声明没有竞争性利益。目前应把FLD视为设计和压力测试框架，可能帮助研究者更早考虑逃逸，但不能写成现成疫苗或病毒进化已可完全控制。