生物信息学习的正确姿势

NGS系列文章包括NGS基础、高颜值在线绘图和分析、转录组分析 （Nature重磅综述|关于RNA-seq你想知道的全在这）、ChIP-seq分析 （ChIP-seq基本分析流程）、单细胞测序分析 (重磅综述：三万字长文读懂单细胞RNA测序分析的最佳实践教程)、DNA甲基化分析、重测序分析、GEO数据挖掘（典型医学设计实验GEO数据分析 (step-by-step)）、批次效应处理等内容。

---

  新智元报道  

来源：reddit

编辑：小匀

【新智元导读】从辉瑞疫苗被批准以后，它就被置于世界的聚光灯下。近日，一位程序员从计算机科学的角度，对辉瑞疫苗的设计进行了「逆向工程」，文章引起不小的反响，从信头 (Header)、元数据（Metadata），到帮助伪装躲过人体免疫系统防火墙的 Ψ 分子，一支疫苗有2万亿段重复的代码，我们看到了计算机与生物学那颇为神秘的联系。

辉瑞疫苗，逆向工程？

听起来有些不可思议，但一位程序员从计算机科学的角度深度剖析了Biotech／辉瑞的mRNA新冠疫苗BNT162b设计，并撰写了这篇文章—— Biotech／辉瑞SARS-CoV-2疫苗的源代码的反向工程（Reverse Engineering the source code of the BioNTech/Pfizer SARS-CoV-2 Vaccine）.（以下简称辉瑞疫苗）

读过后，你或许会开始会让你对生命和计算机世界产生奇妙的联系。

简单的生物学背景

让我们先来回顾一下生物学知识，这里，我们将透过程序员的眼睛看待生命编码。

DNA和程序的种种相似的地方，但与计算机使用0和1不同，生命使用A、C、G和U/T来编码。

在自然界中，A、C、G和U/T都是分子，以链的形式储存在DNA(或RNA)中。

在计算机中，我们把8位编入一个字节，字节是处理数据的典型单位。

自然界将3个核苷酸组合成一个密码子，而这个密码子是典型的处理单元。

密码子包含6位信息(每个DNA字符2位，3字符= 6位，这意味着2⁶ = 64种不同密码子值)。

其次，疫苗是一种液体，我们该如何谈论源代码？

源代码！

让我们从疫苗的一小部分源代码开始，下图为世界卫生组织公布的BNT162b前500个字符。

mRNA新冠疫苗BNT162b的核心就是这个数字代码。它有4284个字符长，在疫苗生产过程的最开始，将这段代码上传到DNA打印机，然后打印机将磁盘上的字节转换成实际的DNA分子。

DNA打印机，型号BioXp 3200

从这样的机器中产生了少量的DNA，在经过大量的生物和化学处理后，最终成为疫苗瓶中的RNA。

RNA就像计算机的RAM一样，但是，RNA非常脆弱，所以，辉瑞的mRNA疫苗必须储存在最深处的深冷库里。

每个RNA字符的重量为 0.53·10⁻²¹克，一针疫苗里有2万亿段重复的代码，相当于25 Pb的数据量。

让我们来看世卫组织文件披露的一页：

首先，cap是什么？就像你不能在计算机上的一个文件中输入操作码然后运行它一样，生物操作系统需要头文件、链接器和调用约定之类的东西。

疫苗的编码由以下两个核苷酸开始:

这可以与以MZ开头的DOS和Windows可执行文件，或以#!开头的UNIX脚本进行比较。在生活系统和操作系统中，这两个字符都不会以任何方式执行。但他们必须在那里，否则什么都不会发生。

mRNA 「帽」有许多功能，它让代码看起来合法，从而保护它不被我们身体里的免疫系统破坏。

未翻译区5 'UTR

生命由蛋白质组成。当RNA转化为蛋白质时，这被称为翻译。

RNA分子只能从一个方向读取。令人困惑的是，阅读开始的部分被称为5'UTR。读数在3 'UTR停止。

UTR（Untranslated Regions)即非翻译区，是mRNA分子两端的非编码片段：

在这里，我们遇到了第一个惊喜。正常的RNA特征是A、C、G和U。U在DNA中也被称为「T」。但在这里我们发现了一个ψ。

怎么回事?

这是关于疫苗的一个特别聪明的地方。我们的身体运行着一个强大的反病毒系统，由于这个原因，细胞对外来RNA非常冷淡，并且在它做出任何反应之前就要破坏它。

这对我们的疫苗来说是个问题——它需要偷偷通过我们的免疫系统。经过多年的实验，人们发现，如果RNA中的U被一种稍作修饰的分子所取代，我们的免疫系统就会失去兴趣。

所以在辉瑞疫苗中，每个U都被1-甲基-3 ' -伪尿酰(ψ)所取代，它能帮助我们的疫苗逃过免疫系统这一关。

在计算机安全领域，我们也知道这个诀窍：有时可能传输某样东西，虽然这会引起防火墙和安全解决方案的怀疑，但这仍然被后端服务器接受，然后可能被黑客攻击。

很多人问，病毒能否也用ψ技术来打败我们的免疫系统？

这是不太可能的。因为生命根本没有制造1-甲基-3 ' -伪尿酰核苷酸的机制，而病毒需要依靠生命的机制来繁殖自己。而mRNA疫苗在人体内迅速降解，而ψ修饰后的RNA不可能在那里复制。

回到5 ' UTR。这51个字符是做什么的？如同自然界的一切事物一样，几乎没有任何事物有一个明确的功能。

当我们的细胞需要将RNA翻译成蛋白质时，这需要使用一种叫做核糖体的机器。核糖体就像蛋白质的3D打印机。它摄取一串RNA，在此基础上释放出一串氨基酸，然后折叠成蛋白质。

这就是我们在上面看到的情况。底部的黑色丝带是RNA。出现在绿色部分的缎带是正在形成的蛋白质。进出的东西是氨基酸和使它们适合RNA的适配器。

这个核糖体需要坐在RNA链上才能发挥作用。一旦就位，它就可以开始根据它摄入的RNA进一步形成蛋白质。从这一点上，你可以想象它还不能读出它首先降落的地方。

这只是UTR的功能之一：核糖体着陆区。UTR提供「导入」。

S糖蛋白信号肽

如前所述，疫苗的目标是让细胞产生大量刺突蛋白。到目前为止，我们在疫苗源代码中遇到的大多是元数据和调用约定。现在我们进入病毒蛋白质的领域。

然而，我们还有一层元数据需要处理。一旦核糖体制造出一个蛋白质，这个蛋白质仍然需要去某个地方。这是编码在「S糖蛋白信号肽(扩展先导序列)」。

了解这一点的方法是，在蛋白质的开头有一种地址标签，作为蛋白质本身编码的一部分。在这个特定的例子中，信号肽表明这种蛋白质应该通过「内质网」离开细胞。

「信号肽」不是很长，但是当我们看代码时，病毒和疫苗的RNA是有区别的:

怎么回事呢？我们知道，在生物学中，三个RNA字符组成一个密码子。每个密码子都对特定的氨基酸进行编码。而疫苗中的信号肽与病毒本身的氨基酸完全相同。

那么RNA是怎么不同的呢?

有4³=64个不同的密码子，因为有4个RNA字符，一个密码子中有3个。然而只有20种不同的氨基酸。这意味着多个密码子对同一种氨基酸进行编码。

下表映射了RNA密码子和氨基酸之间的编码关系:

 RNA密码子表(维基百科)

在这个表中，我们可以看到疫苗(UUU -> UUC)的修改都是同义的。疫苗的RNA编码不同，但会产生相同的氨基酸和蛋白质。

如果我们仔细观察，我们会发现大部分的变化发生在密码子的第三个位置，上面有一个' 3 '。如果我们检查通用密码子表，我们会发现第三个位置通常与产生的氨基酸无关。

所以，这些变化是同义的，但为什么会有这些变化呢?仔细观察，我们发现除了一个变化之外，所有的变化都会导致更多的C和G。

你为什么要这么做?如上所述，我们的免疫系统会对「外源性」RNA进行攻击，为了逃避检测，RNA中的「U」已经被ψ所取代了。

然而，事实证明，含有更多G和C的RNA也能更有效地转化为蛋白质，这已经在疫苗RNA中实现了只要有可能就用G和C替换许多字符。

真正的刺突蛋白

疫苗RNA的下3777个字符类似于「密码子优化」，可以添加大量的C和G。

这里我们看到同义的RNA变化。例如，在第一个密码子中CUU变成了CUG。这给疫苗增加了另一个「G」，我们知道这有助于提高蛋白质的生产。

当我们比较疫苗中的整个刺突蛋白时，所有的变化都是同义的。除了两个，这就是我们在这里看到的。

上面的第三和第四个密码子代表了实际的变化。那里的K和V氨基酸都被P或脯氨酸所取代。对于「K」，这需要改变三次(「!!」)，而对于「V」，这只需要改变两次(「!!」)。

事实证明，这两个变化极大地提高了疫苗的效率。

那么这里发生了什么？如果你看一个真正的冠状病毒粒子，你可以看到刺突蛋白：

这些刺钉被安装在病毒体内(「核衣壳蛋白」)。但问题是，我们的疫苗只会产生刺突，我们不会把它们植入任何一种病毒体内。

结果是，未经修饰的，独立的刺突蛋白崩溃成不同的结构。如果作为疫苗注射，这确实会使我们的身体产生免疫力。但只针对崩溃的刺突蛋白。

真正的冠状病毒是带着尖刺的。在这种情况下，疫苗不会很有效。

那么该怎么办呢？

2017年，有人描述了如何在正确的位置放置一个双脯氨酸替代，将使SARS-CoV-1和MERS S蛋白形成「预融合」结构，即使不是整个病毒的一部分。这是因为脯氨酸是一种非常坚硬的氨基酸。它就像一种夹板，在我们需要向免疫系统展示的状态下稳定蛋白质。

蛋白质的末端，下一步

如果我们浏览其余的源代码，我们会在刺突蛋白的末端遇到一些小的修改:

在蛋白质的末端，我们会发现一个「停止」密码子，在这里用小写的「s」表示。这是一种礼貌的说法，表示蛋白质应该到此为止。最初的病毒使用UAA终止密码子，疫苗使用两个UGA终止密码子，也许只是为了更好的措施。

3 'UTR

就像核糖体在5 '端需要引入，我们发现了' 5UTR，在蛋白质的末端我们发现了一个类似的结构，称为3 ' UTR。

关于3 ' UTR有很多说法，但这里引用维基百科的说法:「3 ' UTR在基因表达中起着至关重要的作用，它影响mRNA的定位、稳定性、输出和翻译效率。尽管我们目前对3 ' -UTRs有了解，但它们仍然是相对神秘的。」

我们所知道的是，某些3 ' UTR在促进蛋白质表达方面非常成功。根据世卫组织的文件，辉瑞疫苗3 ' UTR是从「split (AES) mRNA的氨基末端增强子和编码12S核糖体RNA的线粒体中提取的，以保证RNA的稳定性和高总蛋白表达」。

The AAAAAAAAAAAAAAAAAAAAAA end of it all

mRNA的最末端是聚腺苷化的。这是一种以「AAAAAAAAAAAAAAAAAAAAAA」的奇特结尾。

似乎，就连mRNA似乎也受够了这个糟糕的2020年！

mRNA可以重复使用很多次，但在这个过程中，它也会在末端失去一些A。一旦A耗尽，mRNA就不再起作用而被丢弃。这样，「多聚腺苷酸尾（Poly-A Tail）」就可以防止其退化。

有研究表明，对于mRNA疫苗来说，A的最佳数量是多少。我在公开文献中读到，这个数字在120左右达到了顶峰。

BNT162b2疫苗的是:

这是30个A，然后是「10个核苷酸连接体」(GCAUAUGACU)，再后面是70个A。

太长不看版

如果上面的一切让你感到云里雾里，作者在这里为您准备了一份「太长不看版」：

• 帽子来确保RNA看起来像普通的mRNA

• 已知的成功和优化的5 ' UTR

• 密码子优化信号肽，将刺突蛋白送到正确的位置(100%从原始病毒复制)

• 原始刺的密码子优化版本，有两个「脯氨酸」替代，以确保蛋白质以正确的形式出现

• 一个已知的成功和优化的3 ' UTR

• 一个有点神秘的多聚腺苷酸尾（Poly-A Tail），里面有一个无法解释的「连接器」

• 密码子优化在mRNA上增加了大量的G和C。与此同时，用ψ(1-甲基-3 ' -伪尿酰ψ)而不是U来帮助逃避我们的免疫系统，因此mRNA会停留足够长的时间，所以我们实际上可以帮助训练免疫系统。

文章在reddit上引起了广泛讨论，学科间的边界似乎也越来越模糊。

一位网友看完后直言：我通过稍微修饰U核苷酸，可以使RNA越过我们的「安全系统」。我们的安全系真的糟透了！

你呢？你怎么看？

参考链接：

https://berthub.eu/articles/posts/reverse-engineering-source-code-of-the-biontech-pfizer-vaccine/

来源：新智元 https://mp.weixin.qq.com/s/b0Mw8uKLYuXHJ5Bj3t2Dwg

往期精品(点击图片直达文字对应教程)

后台回复“生信宝典福利第一波”或点击阅读原文获取教程合集

（请备注姓名-学校/企业-职务等）