预测器引导的 Latent-Space Codon Optimization：最大化蛋白质表达

密码子优化是通过选择同义密码子来提高 mRNA 翻译效率和蛋白质表达的过程，在治疗性蛋白质生产和 mRNA 疫苗中至关重要，但仍然是一个困难问题。其设计空间是离散且组合规模庞大的，因而无法采用基于梯度的方法；现有工具则依赖启发式代理指标（例如 Codon Adaptation Index 或 GC-content），难以准确捕捉真实表达水平。我们提出 Latent-Space Codon Optimization（LSCO），通过将序列映射到预训练 mRNA 语言模型的潜在空间，把这一离散问题重新表述为连续问题，从而实现高效的基于梯度的搜索。LSCO 结合了四个组成部分：来自不确定性感知预测器的数据驱动表达目标、用于结构稳定性的 Minimum-Free-Energy 正则化项、来自蛋白质到密码子反向翻译模型的自然性先验，以及用于保证蛋白质保真度的约束解码。在一个真实世界的湿实验抗体表达数据集上，LSCO 在预测表达水平方面优于简单的基于频率的方法以及现代深度生成基线，同时保持了适宜的生物物理性质。