用人工智能指导的“多任务并行”核酸扩增技术

本文报道了一种新型可编程核酸扩增（Programmable Amplification, PA）技术，旨在解决传统PCR等扩增方法难以灵活、精准调控不同模板扩增效率的根本难题。传统方法采用统一引物和反应条件，导致高丰度目标过度扩增、低丰度目标被掩盖，影响临床检测灵敏度和DNA数据存储的读取灵活性。本研究创新性地设计了一种‘标签-引物’（tag-primer）结构：在常规引物5′端添加一段非互补的‘能量补偿序列’（即标签），通过热力学原理逐步抵消因引物缩短或错配造成的结合力下降，从而将扩增效率从‘全有或全无’的二元响应，转变为连续、可梯度调节的线性响应。理论模拟与2483组实验数据验证表明，该设计将扩增效率的动态调控范围（对应自由能ΔG变化区间）从传统引物的1.5 kcal/mol显著拓宽至4.0 kcal/mol，实现33%而非81%的单步效率微调，极大提升了调控精度与鲁棒性。为进一步提升预测能力，研究人员基于该标签引物体系构建了集成机器学习模型（融合广义线性模型、梯度提升机、随机森林等多种算法），利用引物序列特征（如Tm值、GC含量、结合概率）、反应条件（温度、延伸时间）等多维参数进行训练，将扩增效率预测准确率（R²）从传统热力学模型的0.62大幅提升至0.86。该技术已在两大领域成功验证：一是在DNA数据存储中，通过差异化调控各文件对应引物的扩增效率，首次实现了单次读取操作内的‘多文件分级访问’——既能获取完整高精度解码（准确率≈100%），也能快速生成低精度预览（准确率≈50%），使信息预览密度提升近10倍；还可利用温度/时间等条件切换，实现‘热力学加密’，即同一引物在不同条件下对‘隐藏文件’产生近乎零扩增（7%准确率）或正常扩增（60%准确率），形成条件触发式安全机制。二是在宫颈癌临床样本的RNA变异分析中，针对FGFR3-TACC3罕见融合事件，该技术在相同测序深度（10⁴×）下将检测下限从传统方法的10%大幅降至0.1%，灵敏度提高100倍；即使在更高深度（10⁵×）下，仍能稳定检出低至0.03%的融合频率，满足临床实际需求。文章还讨论了该技术的局限性，如模型跨平台泛化能力需进一步验证，极端GC含量或长片段扩增仍具挑战，并提出了通过引物设计优化、高保真酶及缓冲液改进等策略加以应对。总体而言，这项融合热力学设计与人工智能的原创技术，为分子诊断、DNA信息存储、单细胞测序及空间转录组学等领域提供了强大、通用且可精准定制的新工具。