mRNA与蛋白质相关性由什么决定?

宇宙微尘
2026-08-06 17:24:40
生命科学
量子科普

2026722日,北京大学前沿交叉学科研究院,定量生物学中心/北大-清华生命科学联合中心林杰课题组在物理学权威期刊《Physical Review Letters》发表题为“Fitness-Driven Scaling Laws between mRNA and Protein Levels”的研究论文。该研究从细胞适应度最大化出发,通过权衡基因表达的效益与成本,揭示了mRNA与蛋白质水平之间的最优标度关系,为不同物种中普遍存在的mRNA-蛋白质相关性提供了演化层面的解释。从DNAmRNA,再到蛋白质,遗传信息沿着中心法则逐级传递。



作为蛋白质合成的模板,mRNA的数量并不与蛋白质水平简单对应:细胞既可以通过较多的mRNA和较低的翻译效率合成蛋白质,也可以采用较少的mRNA和较高的翻译效率获得相近的蛋白质水平。然而,这两种表达方案各有代价:增加mRNA有助于稳定蛋白质产量,却会消耗更多转录资源;减少mRNA虽然能够节约资源,却会加剧蛋白质水平的随机波动。与此同时,蛋白质不足会影响正常生理功能,表达过量又可能产生生理毒性。因此,细胞如何在功能需求、资源消耗、过表达毒性和表达噪声之间作出权衡,为不同基因配置合适的mRNA和蛋白质水平,是理解基因表达调控规律的一个基本问题。研究人员据此建立了一个基因表达的成本-效益模型。模型同时考虑了蛋白质发挥生理功能带来的效益、转录和翻译消耗细胞资源造成的生产成本、蛋白质过表达产生的毒性,以及mRNA数量过低导致的蛋白质表达噪声。研究人员通过最大化平均适应度来找到对于细胞而言最优的mRNA和蛋白质表达水平。



Image
1. mRNA和蛋白质表达的成本效益权衡模型。


理论推导和数值计算结果显示,当细胞处于最优表达状态时,mRNA拷贝数m与蛋白质拷贝数p之间会自然涌现出幂律标度关系:mp^γ。更为关键的是,研究发现标度律指数 γ 具有0.5的理论下限。当蛋白质过表达毒性较弱时,最优mRNA水平大致按照蛋白质水平的平方根增长,即mp^0.5。当过量蛋白质具有较强毒性时,蛋白质水平的随机波动可能使细胞进入高毒性区间。为了降低这种风险,细胞需要使用更多mRNA来抑制蛋白质噪声,因此mRNA水平随蛋白质水平增长得更快,标度律指数也会相应升高。这一结果还可以帮助理解转录调控与翻译调控在决定蛋白质水平时各自承担的作用。只要标度律指数高于0.5,蛋白质水平的差异便主要来自mRNA水平的变化,即转录调控总体上发挥主导作用;但当指数小于1时,翻译调控仍会显著放大mRNA差异对蛋白质水平的影响。因此,转录调控的主导地位与翻译调控的重要性并不矛盾,而是最优表达策略的两个方面。Image
2. amRNA与蛋白质表达水平之间的标度律。(bmRNA对蛋白质表达水平调控的贡献。FC: fold change.


为了检验这一理论,研究人员进一步对酿酒酵母的全基因组表达进行模拟,并且对多物种的实验数据进行了分析。模拟的结果不仅在标度律指数上与实验测量吻合,在mRNA数量和蛋白质表达噪声的绝对水平上也与实验数据较为一致。大肠杆菌、酿酒酵母、裂殖酵母、小鼠和人等多个物种的全基因组数据表明,尽管不同物种、菌株和实验条件下得到的指数并不完全相同,所分析数据中的标度律指数均高于模型预测的0.5下限。



Image
3.a)酿酒酵母mRNA与蛋白质表达水平在基因组层面的标度关系:数值模拟。(b)对应的实验观测。(c)各物种中mRNA与蛋白质的标度律指数均大于0.5


该研究从适应度优化的角度给出了基因调控网络所趋向的目标表达状态,将蛋白质功能需求、资源消耗、过表达毒性和基因表达噪声纳入统一框架,解释了mRNA与蛋白质水平为何会在不同生物中形成相似的定量规律,为理解细胞如何在表达精度与资源经济性之间作出权衡提供了新的理论视角。北京大学生命科学联合中心博士颜逸辰为该论文第一作者,林杰为论文通讯作者。该研究得到国家重点研发计划和北大-清华生命科学联合中心的支持。



原文链接:https://doi.org/10.1103/gkzp-r681


56
0
0
0
关于作者
相关文章
  • 扩散模型+大语言模型双轮驱动:AI小分子生成从虚拟设计走向临床 ...
    本文系统梳理了2016年以来AI驱动小分子设计的发展脉络。文章将分子生成AI拆解为四大核心模块:分 ...
    了解详情 
  • 图神经网络+物理启发评分:高通量发现二维平带材料新框架登Scien ...
    了解详情 
  • JACS Au|SynPROTAC模型实现可合成PROTAC分子的理性设计 ...
    中山大学等多单位合作在 JACS Au 发表研究,提出名为 SynPROTAC​ 的生成式AI模型,用于解决PROT ...
    了解详情 
  • World Action Models:具身智能的下一个前沿
    视觉-语言-动作模型(VLA)在具身策略学习中展现了强大的语义泛化能力,然而它们学习的是反应式 ...
    了解详情 
领取成功
本月5个550bit真机配额已发放给您,配额将在2个月后到期,请及时使用哦~
活动中心
联系我们
二维码
返回顶部
返回
活动中心

完成任务,轻松获取真机配额

×
每日必做
新手任务
长期任务
其他任务
快速回复 返回顶部 返回列表
玻色有奖小调研
填写问卷,将免费赠送您1个1000bit真机配额
(单选) 您是从哪个渠道得知我们的?*
您是从哪个社交媒体得知我们的?*
您是通过哪个学校的校园宣讲得知我们的呢?
取消

提交成功

真机配额已发放到您的账户,可前往【云平台】查看

量子AI开发者认证

考核目标

开发者能够成功搭建Kaiwu-PyTorch-Plugin项目基础环境,并成功运行示例代码,根据示例提示,输出指定的值并填写至相应的输入框中。

通过奖励

5个一年效期的1000量子比特真机配额

专属「量子AI开发者」社区认证标识

开发者权益

每月固定权益:5个550量子比特真机配额
前往考核

第一步

按照README提示成功安装Kaiwu-PyTorch-Plugin库环境依赖
前往GitHub

第二步

运行 community-assessment 分支下的 run_rbm.py 代码示例

第三步

理解示例代码,手动打印并填写如下数值:

正相采样的状态

负相采样的状态

正相的能量值

负相的能量值

*

提交答案

开发者权益

每月固定权益:5个550量子比特的真机配额

恭喜您完成考核

您将获得量子AI开发者认证标识及考核奖励

1000 bit*5

配额

Quantum AI Developer Certification

Assessment Objectives

Developers should successfully set up the basic environment for the Kaiwu-PyTorch-Plugin project, run the QBM-VAE sample code, and calculate the correct FID value based on the random seed value provided by the system.

Pass Rewards

10 quotas for 550-qubit real quantum machines with a one-year validity period

Exclusive "Quantum AI Developer" Community Certification Badge

Developer Benefits

Fixed Monthly Benefits: 5 quotas for 550-qubit real quantum machines
Proceed to Assessment

Step 1

Install the environment dependencies for the Kaiwu-PyTorch-Plugin library according to the README instructions
Go to GitHub

Step 2

Replace the Seed Value

Your seed value is

Step 3

Enter the FID Value You Calculated

*

Submit Answer

Developer Benefits

Fixed Monthly Benefits: 5 quotas of 550-qubit real machines

Congratulations on Completing the Assessment

You will receive the Quantum AI Developer Certification Badge and Assessment Rewards

550bit*10

Quotas