模型的设计与构建：

开发了一种名为PHPGAT的新型噬菌体宿主预测模型，通过整合噬菌体-噬菌体、宿主-宿主以及噬菌体-宿主之间的相互作用，构建了一个多模态异构知识图谱（PHKG）。该图谱结合了蛋白质和核酸序列相似性、CRISPR序列相似性、16S rRNA序列相似性以及受体结合蛋白（RBP）序列相似性等多种信息，全面捕捉了生物实体之间的复杂联系。

PHPGAT模型采用先进的GATv2框架，通过图注意力机制提取节点特征并学习动态依赖关系，生成上下文感知的嵌入向量。最终，通过内积解码器基于嵌入向量计算噬菌体与宿主之间相互作用的可能性。

预测机制：

PHPGAT在两个数据集上的表现均优于其他现有模型。具体而言，PHPGAT在预测精度上显著提升，尤其是在物种水平上的预测能力表现出色。例如，在测试集中，PHPGAT在物种水平上的预测准确率达到76.2%，远高于其他模型。

此外，PHPGAT在处理多宿主预测时也表现出色。在物种水平的多宿主预测中，PHPGAT在hit@1到hit@25的指标上均优于其他模型，显示出其强大的预测能力和泛化能力。

关键发现：

1.PHPGAT模型通过整合噬菌体-噬菌体、宿主-宿主和噬菌体-宿主之间的复杂相互作用，构建了一个多模态异构知识图谱（PHKG）。

2.在物种水平上，PHPGAT的预测准确率达到了76.2%，相比其他模型（如DeepHost、CHERRY等）分别提升了12.6%和8.8%。

3.PHPGAT采用的GATv2框架通过注意力机制动态捕捉节点之间的复杂关系，能够生成低维、任务相关的节点嵌入向量。这种机制不仅提高了模型对长序列的处理能力，还增强了对不同宿主功能冗余的识别能力，使得模型在处理复杂微生物群落时更具优势。

4.PHPGAT不仅在噬菌体宿主预测方面表现出色，其多模态异构知识图谱的设计还为其他生物信息学领域（如药物重定位、微生物群落动态分析）提供了新的思路和方法。这种模型架构能够灵活扩展到其他复杂的生物相互作用预测任务中。

结论：

PHPGAT模型为噬菌体宿主预测提供了一种全新的解决方案，其基于多模态异构知识图谱和图注意力网络的设计使其能够更精准地预测噬菌体与宿主之间的相互作用。这一研究不仅为噬菌体疗法的开发提供了重要的技术支持，还为未来噬菌体研究提供了新的思路和方法。随着抗生素耐药性问题的日益严重，PHPGAT有望在医疗和公共卫生领域发挥重要作用。

参考来源：Liu F, Zhao Z, Liu Y. PHPGAT: predicting phage hosts based on multimodal heterogeneous knowledge graph with graph attention network[J]. Briefings in Bioinformatics, 2025, 26(1): bbaf017.