HVSeeker：深度学习驱动，破解宏基因组病毒序列识别难题

在微生物组研究蓬勃发展的当下，一个棘手难题愈发凸显：如何从复杂宏基因组样本中，精准捕捉那些“潜伏”的病毒序列？尤其面对前所未见的新型噬菌体时，传统检测方法往往束手无策。近日，发表于《Giga Science》的一项研究给出解决方案，德国弗赖堡大学与迪拜穆罕默德·本·拉希德医学与健康科学大学联合团队，开发出基于深度学习的HVSeeker工具，凭借“DNA+蛋白质”双模型验证机制，大幅突破传统方法局限，提升了病毒序列识别的准确性与可靠性。传统方法或依赖序列相似性比对，难以捕捉无通用标志基因的新型病毒；或仅靠单一DNA序列深度学习，缺乏蛋白质层面交叉验证，在未知病毒检测中表现不佳。

HVSeeker的核心创新在于“双轨并行”架构与精细化预处理策略。研究团队经反复验证，确定1000个碱基对为最优分析单元，既能捕捉充足序列特征，又可避免冗余噪音。针对短于该长度的序列，工具提供循环填充、短片段拼接组装、100bp步长滑动窗口三种预处理方案，其中填充策略表现最优。双模型方面，HVSeeker-DNA基于三层双向LSTM架构，可高效捕捉核苷酸间长程依赖关系；HVSeeker-Protein以ProteinBERT预训练模型为基础微调，通过贝叶斯优化校准参数。为保障泛化能力，团队用BLAST工具控制训练集与测试集同源性阈值低于95%，模拟真实未知病毒检测场景，形成双重验证闭环。

多场景测试印证了HVSeeker的卓越性能。标准数据集上，填充策略模型准确率达87.25%、F1分数86.78%，显著优于DeepVirFinder、PPR-Meta等同类工具。在同源性仅60%的低同源性数据集（模拟全新病毒发现场景）中，其F1分数达68.60%，比次优工具高出约10个百分点。婴儿肠道宏基因组真实数据集测试中，面对647名儿童粪便样本中的232个全新病毒家族，HVSeekerF1分数达76.73%，远超Seeker、DeepVirFinder等竞品。此外，蛋白质模型独立实现0.89的平均AUC值和82%的准确率，为DNA层面判断提供可靠支撑。

HVSeeker的问世为噬菌体研究与应用注入新动力，不仅填补了“DNA+蛋白质”交叉验证的技术空白，也为噬菌体分类学、噬菌体疗法开发奠定基础。目前该工具已开源发布于GitHub，提供conda环境配置文件，全球科研人员可免费获取使用。其开源特性将极大便利复杂环境样本的病毒组成解析，加速新型噬菌体资源的发现、鉴定与产业化转化，有望为破解抗生素耐药危机、深化微生物组互作研究提供关键工具支撑，推动相关领域科研与临床应用突破。

参考文献：

[1] Al-Najim A, Hauns S, Tran VD, Backofen R, Alkhnbashi OS. HVSeeker: a deep-learning-based method for identification of host and viral DNA sequences. Gigascience. 2025 Jan 6;14:giaf037. doi: 10.1093/gigascience/giaf037.