PhageDPO工具的开发

开发了PhageDPO，这是一个基于机器学习的计算框架，专门用于识别噬菌体基因组中的DPOs。PhageDPO的开发基于一个全面的数据集，涵盖了与七个特定DPO相关结构域相关的序列，并结合了文献中验证的DPOs。通过训练支持向量机（SVM）模型，PhageDPO在测试中达到了96%的准确率、97%的召回率、94%的精确率和96%的F1分数，显示出其在预测噬菌体基因组中的DPOs方面的强大能力。此外，该模型还通过文献报道的案例和本研究新生成的数据进行了进一步验证，提升了其性能。

图1. Galaxy 平台中 PhageDPO 的图形界面。

PhageDPO工具的优势

PhageDPO不仅在预测性能上表现出色，还通过用户友好的界面和强大的性能脱颖而出。与现有的其他工具相比，PhageDPO提供了更直观的图形界面，使得即使不经常进行编程的用户也能轻松使用。此外，PhageDPO还集成了Galaxy平台的一系列互补工具，如PhagePromoter、PhageSNPs、PhageHost和PhageCOAST，进一步增强了其功能性和易用性。

PhageDPO的实验验证

为了验证PhageDPO的预测能力，研究人员对其进行了广泛的实验验证。他们选择了已知DPOs的噬菌体基因组和未知DPOs的噬菌体基因组进行测试。结果显示，PhageDPO能够准确预测已知DPOs，并在未知DPOs的噬菌体基因组中成功识别出潜在的DPOs。通过实验室中的蛋白活性测试，PhageDPO预测的DPOs大多得到了实验验证，这进一步证明了其预测的可靠性和准确性。

关键发现

1、PhageDPO是首个基于机器学习的工具，专门用于识别噬菌体DPOs。它不仅能够识别降解不同细菌多糖（如荚膜、脂多糖等）的DPOs，还涵盖了感染革兰氏阴性菌和革兰氏阳性菌的噬菌体，填补了现有工具在这一领域的空白。

2、PhageDPO不仅在预测性能上表现出色，还通过用户友好的界面和强大的性能脱颖而出。它集成了Galaxy平台的图形界面，使得即使不熟悉编程的用户也能轻松使用。此外，PhageDPO还集成了其他互补工具，如PhagePromoter、PhageSNPs、PhageHost和PhageCOAST，进一步增强了其功能性和易用性。

3、与现有的其他工具（如DePP和DepoScope）相比，PhageDPO在多个方面表现出显著优势。例如，DePP在预测DPOs时容易产生较多假阳性结果，尤其是在涉及革兰氏阳性菌的噬菌体时。而DepoScope虽然在某些指标上表现出色，但在召回率方面不如PhageDPO。PhageDPO不仅在预测准确性上优于这些工具，还通过其用户友好的界面和强大的功能，使其更适合广泛的用户群体。

未来展望与应用潜力

PhageDPO的开发为噬菌体DPOs的研究和应用提供了一个强大的新工具。它不仅能够准确预测DPOs，还通过用户友好的界面和强大的性能，使得更多的研究人员能够轻松地将其应用于自己的研究中。未来，随着更多噬菌体基因组数据的积累和分析，PhageDPO有望进一步优化和扩展其功能，为应对全球日益严重的抗生素耐药性问题提供新的解决方案。

参考来源：

Vieira M F, Duarte J, Domingues R, et al. PhageDPO: A machine-learning based computational framework for identifying phage depolymerases[J]. Computers in Biology and Medicine, 2025, 188: 109836.