“噬”破惊涛：用超级算法预测噬菌体的宿主猎物

随着抗生素耐药性问题的日益严重，噬菌体作为一种替代疗法受到越来越多的关注。噬菌体能够特异性地消灭细菌宿主并自我复制，但噬菌体宿主范围的多样性使得目标噬菌体的识别变得复杂。现有的计算工具在跨细菌物种识别噬菌体方面存在不足，因此开发更准确的噬菌体-宿主互作预测模型具有重要意义。

E-PHI模型通过整合知识图谱嵌入算法和大规模蛋白质语言模型来预测噬菌体-宿主互作。研究团队首先构建了一个包含噬菌体-噬菌体和宿主-宿主相似性网络的噬菌体-宿主异构关联网络（PHAN），然后利用多关系Poincaré图嵌入（MuRP）算法提取网络的拓扑结构信息。此外，研究团队还引入了ESM-2蛋白质语言模型，以捕捉噬菌体尾部蛋白和宿主受体结合蛋白的进化信息。最终，这些信息被整合到XGBoost分类器中进行训练和预测。

E-PHI模型通过整合知识图谱嵌入算法和大规模蛋白质语言模型来预测噬菌体-宿主互作。研究团队首先构建了一个包含噬菌体-噬菌体和宿主-宿主相似性网络的噬菌体-宿主异构关联网络（PHAN），然后利用多关系Poincaré图嵌入（MuRP）算法提取网络的拓扑结构信息。此外，研究团队还引入了ESM-2蛋白质语言模型，以捕捉噬菌体尾部蛋白和宿主受体结合蛋白的进化信息。最终，这些信息被整合到XGBoost分类器中进行训练和预测。

E-PHI模型通过整合知识图谱嵌入算法和大规模蛋白质语言模型来预测噬菌体-宿主互作。研究团队首先构建了一个包含噬菌体-噬菌体和宿主-宿主相似性网络的噬菌体-宿主异构关联网络（PHAN），然后利用多关系Poincaré图嵌入（MuRP）算法提取网络的拓扑结构信息。此外，研究团队还引入了ESM-2蛋白质语言模型，以捕捉噬菌体尾部蛋白和宿主受体结合蛋白的进化信息。最终，这些信息被整合到XGBoost分类器中进行训练和预测。

GE-PHI模型的开发为噬菌体治疗和诊断提供了新的计算工具，有助于加速噬菌体候选者的筛选和实验室验证。该模型不仅提高了噬菌体-宿主互作预测的准确性，还为理解噬菌体与宿主之间的进化和功能动态提供了新的视角。这一成果有望在全球范围内对抗抗生素耐药性方面发挥重要作用。

图1 GE-PHI模型的整体框架和工作流程

参考文献：

Pan J ,Wang R ,Liu W , et al.Predicting phage-host interaction via hyperbolic Poincaré graph embedding and large-scale protein language technique[J].iScience,2025,28(1):111647-111647.