PhaGCN2：AI驱动的病毒分类新突破，自动识别未知病毒家族

近日，由国内研究人员合作开发的病毒分类工具 PhaGCN2 正式亮相，标志着病毒分类学进入了一个新的智能时代。该工具不仅能够高效、准确地对病毒序列进行家族级别分类，还能自动识别并建议可能的新病毒家族，为病毒多样性研究提供了强有力的技术支持。相关研究成果已发表在学术期刊《Briefings in Bioinformatics》上。

一、病毒的分类

病毒的分类通常依赖于国际病毒分类委员会（ICTV）发布的官方分类体系。然而，随着宏基因组学技术的发展，研究人员在环境中发现的病毒序列数量呈指数级增长。据统计，仅 IMG/VR 数据库中就收录了数百万条病毒序列，而 ICTV 在2021年报告中仅正式分类了约10,550种病毒。这意味着绝大多数已测序的病毒仍处于“未分类”状态，成为病毒学领域的“暗物质”。

二、从PhaGCN到PhaGCN2：技术迭代与功能拓展

PhaGCN2 是在其前身 PhaGCN 基础上的全面升级。PhaGCN 是一种基于图卷积网络（GCN）的半监督学习模型，主要用于噬菌体序列的分类。其核心流程包括：

CNN编码器：将不同长度的病毒序列编码为256维特征向量，捕捉DNA序列中的模体模式。

知识图谱构建：以病毒为节点，以序列和蛋白质组成相似性为边，构建病毒间的关系网络。

GCN分类器：利用已知病毒和待分类病毒共同训练，实现家族级别的分类。

然而，PhaGCN 仅适用于 Caudovirales 目下的噬菌体分类，且无法处理新型病毒家族。随着 ICTV 分类标准的不断更新，传统机器学习模型因依赖于固定标签集而显得捉襟见肘。

PhaGCN2 在以下三个方面实现了重要突破：

1. 数据库全面升级，覆盖全病毒界

PhaGCN2 采用 Prodigal 工具，基于最新 ICTV2021 数据库自动进行基因预测与蛋白质翻译，构建了包含10,550种病毒的蛋白质参考数据库。与旧版数据库相比，新数据库不仅更新及时，且构建流程更快捷、用户友好。

2. 支持新型病毒家族的自动识别

PhaGCN2 创新性地引入了 “家族类似（family_like）” 标签。通过分析知识图谱中的拓扑结构，若某个待分类病毒节点与已知家族节点距离较远，则将其进行标注，提示其可能属于一个尚未被定义的新家族。

3. 网络可视化与拓扑辅助分类

工具可输出病毒家族聚类网络图，直观展示不同病毒家族间的亲缘关系。此外，网络拓扑结构也被用于识别“异常节点”，这些节点往往代表新的分类群。

三、应用案例：从人类肠道到全球海洋

为验证 PhaGCN2 的实际应用价值，研究团队将其应用于多个真实世界数据集：

1. 人类肠道噬菌体数据库（GPD）

在14.2万条序列中，PhaGCN2 成功分类了 91.9% 的序列，其中绝大多数为 Caudovirales 目病毒。

Siphoviridae 和 Myoviridae 两个家族占主导地位，反映出人类肠道噬菌体的典型组成。

2. 全球海洋病毒组数据集（GOV2.0）

在48.2万条海洋病毒序列中，PhaGCN2 的分类召回率为 40.8%，明显低于GPD。

这说明海洋中存在大量尚未被分类的病毒，病毒多样性远未被充分挖掘。

地理分布分析显示，Myoviridae 在赤道和表层水域比例较高，而 Siphoviridae 在两极水域更为丰富，提示病毒家族可能具有环境适应性分化。

3. RNA病毒分类测试

在对2202条RNA病毒基因组的分类中，PhaGCN2 成功预测了1094条，其中仅6条被误判为非RNA病毒。

然而，52.5% 的RNA病毒仍无法被分类至已知家族，凸显了RNA病毒研究仍处于起步阶段。