利用人工智能预测噬菌体宿主特异性，助力抗菌治疗

在面对日益严峻的抗生素耐药性问题时，科学家们一直在寻找新的解决方案。一项发表在《Nature Communications》上的最新研究，通过人工智能技术，成功开发了一个名为PhageHostLearn的系统，它能够在菌株水平上预测噬菌体与细菌之间的相互作用。这一突破性进展，为噬菌体治疗和诊断提供了新的策略。

噬菌体，作为细菌病毒，因其高度特异性而在抗菌治疗中备受关注。然而，由于噬菌体宿主范围的局限性，使得在特定宿主中找到匹配的噬菌体变得具有挑战性。传统的计算工具在预测噬菌体与宿主的相互作用上存在不足，尤其是在临床应用中，对噬菌体在菌株水平上的特异性了解需求更为迫切。

PhageHostLearn系统的开发，正是为了解决这一难题。该系统采用机器学习技术，通过分析噬菌体的受体结合蛋白（RBPs）和细菌的K抗原，来预测它们之间的相互作用。研究团队使用了ESM-2蛋白质语言模型来编码蛋白质序列，并将其作为XGBoost模型的输入，以训练出一个能够有效预测噬菌体-宿主对的模型。

在实验验证中，PhageHostLearn展现出了令人印象深刻的性能。在silico（计算机模拟）阶段，该系统达到了81.8%的交叉验证ROC AUC（受试者工作特征曲线下面积），而在实验室验证中，这一性能得到了保持。这表明PhageHostLearn不仅在理论上可行，而且在实际应用中也具有较高的准确性。

研究团队还对PhageHostLearn进行了全面的评估，包括在不同K型（Klebsiella菌株的胶囊多糖类型）上的性能。结果显示，PhageHostLearn在推荐潜在噬菌体宿主对方面，表现得更为出色。

此外，PhageHostLearn的一个关键优势在于其用户友好性。该系统提供了一个可公开访问的工具，研究人员可以利用它来指导实验室验证，从而减少手动分析和繁重的实验工作。通过预测得分，研究人员可以优先考虑在实验室中测试哪些噬菌体-宿主组合，这大大提升了研究的效率。

PhageHostLearn系统的开发，标志着我们在利用人工智能指导噬菌体治疗和诊断方面迈出了重要的一步。它不仅提高了预测噬菌体宿主相互作用的准确性，而且通过机器学习技术，为噬菌体治疗提供了一个实用的、可操作的工具。随着噬菌体治疗的不断发展，PhageHostLearn有望成为抗击耐药细菌的有力工具。

文献来源：Boeckaerts, D., Stock, M., Ferriol-González, C., Oteo-Iglesias, J., Sanjuán, R., Domingo-Calap, P., De Baets, B., & Briers, Y. (2024). Prediction of Klebsiella phage-host specificity at the strain level. Nature Communications, 15, 4355. https://doi.org/10.1038/s41467-024-48675-6