企业官网建设流程全解析

摘要

噬菌体（bacteriophage，phage）为耐药菌感染治疗与微生物组工程提供了有前景的抗生素替代方案，但其应用受限于“如何为特定细菌菌株筛选感染性噬菌体”这一难题。作者提出一种**不依赖系统发育（phylogeny-agnostic）的机器学习框架，仅依据基因组序列即可跨多个细菌属预测菌株水平噬菌体—宿主互作（phage-host interaction，PHI）。在 6 个数据集、949 个细菌菌株、518 个噬菌体、115,037 条互作关系上系统优化超过 1320 万次训练运行后，该框架达到与物种特异性方法相当的性能（AUROC 0.67–0.94），同时消除系统发育约束。对 1240 条预测的大肠杆菌（Escherichia coli）噬菌体—宿主互作进行实验验证，确认其可泛化（AUROC 0.84）；全基因组随机条形码转座子位点测序（random barcode transposon-site sequencing，RB-TnSeq）**显示，68.6% 的实验鉴定感染介质被计算模型捕获。模型引导的噬菌体鸡尾酒（phage cocktail）设计用 5 个噬菌体即可覆盖多达 97.5% 的细菌菌株，单噬菌体选择较“广宿主范围（promiscuity）”策略提升至多 3.1 倍。该平台支持理性噬菌体治疗设计与精准微生物组工程，可应用于临床、农业与工业场景。

keywords：噬菌体—宿主互作；菌株水平预测；不依赖系统发育；蛋白质家族特征；CatBoost；RB-TnSeq；噬菌体鸡尾酒；精准微生物组工程

文献信息

• Noonan, A. J. C., Moriniere, L., Rivera-López, E. O., Patel, K., Pena, M., Svab, M., Kazakov, A., Deutschbauer, A., Dudley, E. G., Mutalik, V. K., & Arkin, A. P. (2026). Phylogeny-agnostic strain-level prediction of phage-host interactions from genomes using machine learning.Nature Microbiology. https://doi.org/10.1038/s41564-026-02482-5
• 期刊：Nature Microbiology（IF=18.1）
• 发表时间：2026 年 9 月 29 日

研究总结

背景介绍

噬菌体宿主特异性是“进化军备竞赛”的产物：噬菌体持续响应宿主受体、细胞壁结构与防御系统的变化。这种菌株级识别可用于靶向单个病原菌，同时减少对有益共生菌的附带损伤，因而在抗生素耐药背景下极具价值。然而，随着噬菌体库规模扩大，针对新病原体逐株实验测定敏感性变得不可行。

既有工具多停留在科/属级宏基因组宿主分类，或依赖已知受体机制做单属模型，无法在不预设遗传决定因子的情况下预测“未知菌株 × 未知噬菌体”。单菌株预测需要一对一确认感染成败的数据集，且通常高度不平衡（阳性互作仅占 2%–36%）。作者因此主张：跨系统发育、跨实验室数据联合建模，才能提高统计功效并捕捉共同感染机制。本文目标即是构建仅用基因组、不依赖系统发育、可解释、可指导鸡尾酒设计的 PHI 预测工作流。

重要结果

跨细菌属的多样噬菌体—宿主互作汇编与建模工作流

作者整合 6 个已发表数据集，共 115,037 条互作、949 个细菌菌株、518 个噬菌体。工作流先将蛋白质和氨基酸 k-mer 转为存在—缺失特征，用 MMSeqs2 以 40% 序列同一性、80% 覆盖度聚类蛋白质家族；再用递归特征消除（recursive feature elimination，RFE）筛选稳定特征；最后以CatBoost（梯度提升决策树）配合按噬菌体加权的类别权重处理不平衡。该流程在高位稀疏、类别不平衡与高维特征表下保持稳健，并可把新基因组通过相似搜索映射到参考蛋白质簇，实现未知菌株/噬菌体推理。

Fig. 1 | a 从基因组到数值特征再经机器学习预测 PHI 的总体工作流；b 特征表示策略（蛋白质家族、k-mer、混合表示）；c 用 MMSeqs2 构建蛋白质家族存在—缺失矩阵；d 以 CatBoost 做菌株水平二分类，并按噬菌体正/负样本比加权；e 新基因组通过相似搜索分配特征后预测未知互作。Created in BioRender: Noonan, A.

跨属菌株水平预测达到与物种特异性模型相当的性能

在“预测未知细菌菌株”配置下，蛋白质家族、较长 k-mer 与混合表示性能无显著差异，仅 k=3 在 4 个数据集中 3 个最差。作者选蛋白质家族表示以兼顾性能、成本与可解释性。各数据集 AUROC 为 0.67–0.94，Matthews 相关系数（MCC）为 0.13–0.54，归一化精确率—召回率面积（normalized AUPR）为 0.07–0.60。大肠杆菌模型 AUROC 0.87，与原 E. coli 专用方法（AUROC 0.86）接近，但本文方法不依赖已知 E. coli 感染介质。数据集越大，性能越好（AUROC 与样本量 Pearson r=0.60，MCC r=0.47，均 P<1×10⁻⁶）。

Figure 2. a 不同基因组表示策略的 AUROC（k=3 最差，其余无显著差）；b 五个开发数据集的 AUROC、MCC、normalized AUPR；c 数据集规模与性能正相关（AUROC r=0.595，MCC r=0.467，BH 校正后显著）；d 合并两个 Klebsiella 数据集较单数据集 MCC 提升 0.04–0.07。虚线表示随机预测 AUROC=0.5。

模型引导的噬菌体鸡尾酒设计优于广宿主策略

作者将连续概率转为可执行选择：先按互作谱将噬菌体无监督聚为“活性组（activity groups）”，再跨簇选预测概率最高的噬菌体，以兼顾预测感染概率与机制多样性。在 20 折交叉验证中，模型引导的 1/3/5 个噬菌体鸡尾酒在 E. coli、Klebsiella-2、Vibrionaceae 三个最大数据集上均优于“选最广宿主噬菌体”的基线。单噬菌体选择分别覆盖 66.9%、66.7%、39.4% 菌株，相对广宿主基线提升 1.1、3.1、2.7 倍；5 噬菌体鸡尾酒覆盖 97.5%、87.8%、57.5% 菌株。

Figure 3. a 模型概率 → 噬菌体聚类 → 跨簇选代表噬菌体；b 预测概率排序与广宿主排序对比，模型选中噬菌体以黑色粗边框标出；c 在三大高表现数据集中，模型引导鸡尾酒对 1/3/5 个噬菌体的菌株覆盖率均高于 promiscuity-based cocktail。Panel a created in BioRender: Noonan, A.

对未知噬菌体的实验验证与 RB-TnSeq 介质确认

为验证泛化能力，作者用 52 个未参与训练的 BASEL 集合噬菌体点种 25 个 E. coli ECOR 菌株，得到 1300 条互作，其中 60 条表型不清被剔除；剩余 1240 条中模型 AUROC 为 0.84，略低于交叉验证的 0.87，但证明框架可迁移到不同实验室、不同_protocol 的新噬菌体。随后在 E. coli ECOR27 中做全基因组 RB-TnSeq，用 19 个噬菌体筛选 3804 个基因敲除库，鉴定出 51 个高得分感染相关基因。通过基因邻域与 STRING 蛋白关联库比对，35 个预测特征与 RB-TnSeq 命中基因相连，占遗传验证介质的 68.6%；直接匹配较随机高 5.0 倍，邻域/STRING 扩展集高 3.0 倍。

Figure 4. a 52 新噬菌体 × 25 E. coli 菌株的点种矩阵；b 1240 条实验表型 vs 预测概率，AUROC=0.84；c SHAP 特征重要性显示预测特征与 RB-TnSeq 命中基因的关系：深棕=直接匹配，中棕=邻域匹配，浅棕=STRING-DB 匹配；右图为 goaG（puuE）与 gabT 的 STRING 网络及 ybdK 邻接共线性图。

预测特征可恢复已知与未知感染决定因子

用 SHAP 值量化特征方向：存在某蛋白质家族若提高感染概率即为正向特征，降低则为负向特征。在 E. coli 数据集中，前 25 个最重要特征涵盖细胞壁生物合成、可移动遗传元件（mobile genetic elements，MGEs）、限制修饰（restriction-modification，RM）系统、病毒来源基因；其中 8 个无清晰机制注释，可能为未表征介质。防御系统通常负向、抗防御系统通常正向。STRING 与邻域分析进一步提示腐胺分解代谢、已知受体 lepA 的调控参与感染，说明模型常捕获“通路/操纵子级调控”而非单基因效应。

Figure 5. a E. coli 前 25 预测特征的功能分类与 SHAP 方向（细胞壁、MGE、RM、病毒源、未知）；b goaG/puuE 与 gabT 的 STRING 蛋白关联网络；c lepA 与预测特征 ybdK 在 3 个含 ybdK 菌株与 3 个不含菌株中的共线性图。

方法学参考

可复用要点包括：用蛋白质家族存在—缺失代替手工受体注释以实现跨属泛化；以按噬菌体加权的 CatBoost 处理极端不平衡；RFE 跨多轮训练跟踪特征出现频率以防过拟合；用 RB-TnSeq/DubSeq/CRISPRi 等遗传筛选作为“生物学真值”校验机器学习特征；鸡尾酒设计先聚类机制再跨簇选代表，而非只追广宿主噬菌体。

总结

该研究的核心贡献是把菌株水平 PHI 预测从“属内、已知受体、单实验室”推进到“跨属、无系统发育预设、可外部实验验证”的框架。作者证明：在高位稀疏基因组特征下，算法与特征选择策略比“换一种基因组表示”更重要；大模型性能受阳性样本量与平衡度限制，但跨团队 Klebsiella 数据集合并可带来切实提升。实验上，1240 条新互作与 RB-TnSeq 共同说明，模型捕获的不只是相关噪声，而是部分真实感染介质（包括调控基因与未注释因子）。

局限同样明确：跨属留一预测接近随机，说明蛋白质家族特征难以跨越极远进化距离；RB-TnSeq 只能验证非必需基因，必需基因需 CRISPRi 等补充；不同数据集固体/液体培养与阈值不统一会限制联合训练。未来若引入蛋白语言模型嵌入、环境条件和主动学习，可进一步提升跨属迁移与临床噬菌体鸡尾酒设计效率。

参考文献

• Noonan, A. J. C., Moriniere, L., Rivera-López, E. O., Patel, K., Pena, M., Svab, M., Kazakov, A., Deutschbauer, A., Dudley, E. G., Mutalik, V. K., & Arkin, A. P. (2026). Phylogeny-agnostic strain-level prediction of phage-host interactions from genomes using machine learning.Nature Microbiology. https://doi.org/10.1038/s41564-026-02482-5
• Gaborieau, B. et al. Prediction of strain level phage-host interactions across the Escherichia genus using only genomic information.Nature Microbiology(2024).
• Mutalik, V. K. et al. High-throughput mapping of the phage resistance landscape in E. coli.PLoS Biology18, e3000877 (2020).
• GenoPHI 代码库：https://github.com/Noonanav/GenoPHI
• Zenodo 数据：https://doi.org/10.5281/zenodo.21696332
• MMSeqs2：https://github.com/soedinglab/MMseqs2
• CatBoost：https://catboost.ai
• RB-TnSeq 方法：Wetmore, K. M. et al., mBio 6, e00306-15 (2015)