PhageHostLearn：精准预测噬菌体与宿主相互作用的“智能钥匙”！

PhageHostLearn的创新突破

PhageHostLearn是一种专门针对克雷伯氏菌噬菌体与宿主菌株水平相互作用预测的机器学习系统。它聚焦于噬菌体受体结合蛋白（RBPs）与细菌表面受体的初始相互作用，利用ESM-2蛋白语言模型将噬菌体RBPs和细菌K-locus蛋白转化为数值向量表示，再通过XGBoost模型进行预测。该系统不仅能够处理噬菌体与细菌基因组的复杂性，还能输出预测得分，用于推荐最有可能与目标细菌相互作用的噬菌体候选者。

实验验证与性能表现

研究团队对PhageHostLearn进行了全面的实验验证。在体外验证中，使用28个高风险克雷伯氏菌临床分离株，通过噬菌斑试验对系统预测的前五名噬菌体候选者进行验证。结果显示，PhageHostLearn在体外验证中保持了与体外验证相当的性能，达到了79.3%的ROC AUC值，成功预测了15个分离株中的噬菌体候选者，对应前五名预测的命中率为93.8%。

关键发现

1、PhageHostLearn是一种创新的机器学习系统，能够精准预测克雷伯氏菌噬菌体与宿主在菌株水平的相互作用，克服了现有工具在菌株水平预测上的不足。

2、该系统聚焦于噬菌体受体结合蛋白（RBPs）与细菌表面受体的初始相互作用，这是决定噬菌体宿主特异性的关键步骤。

3、利用ESM-2蛋白语言模型将噬菌体RBPs和细菌K-locus蛋白转化为数值向量表示，再通过XGBoost模型进行预测，这种方法避免了显式的特征工程，能够有效处理基因组的复杂性。

未来展望与应用潜力

PhageHostLearn的出现为噬菌体疗法和诊断的开发提供了重要的技术支撑。它能够有效减少实验室验证的工作量，加速噬菌体疗法的开发进程。未来，随着更多数据的积累和模型的优化，PhageHostLearn有望在更广泛的细菌种类上实现精准预测，为解决抗生素耐药性问题提供更强大的工具，推动噬菌体疗法在临床中的广泛应用，让超级细菌无处遁形！

参考来源：

Boeckaerts D, Stock M, Ferriol-González C, et al. Prediction of Klebsiella phage-host specificity at the strain level[J]. Nature communications, 2024, 15(1): 4355.