细菌比我们想的更“记仇”：AI发现85%的抗病毒武器从未被描述

细菌跟噬菌体打了三十多亿年的仗，怎么可能就靠这两百来种武器？事实是，每次有人认真去筛，总能发现新东西。最近一篇发表在Science上的工作干脆用深度学习把这个问题推到了极限，他们训练了三个互补模型，在3.2万个细菌基因组里扫了一遍，预测出超过2百万个抗噬菌体蛋白，其中85%以上的蛋白家族从未被任何研究关联到免疫上。

换句话说，我们对细菌免疫的了解，可能只是冰山浮出水面的那一小块。

研究背景与目的

抗噬菌体防御系统有个让人头疼的特点：它们不怎么保守。不同细菌对付同一种病毒，可能拿出完全不同的蛋白质零件。这种多样性一方面说明自然界解决问题的方案远比实验室里看到的丰富，另一方面也让传统的“靠同源性找基因”的方法频频失灵。

过去十年，研究者发现了一个规律：防御系统喜欢扎堆出现在基因组的特定区域，叫“防御岛”。这就催生了一种“连带定罪”策略：如果一个基因经常出现在已知防御基因旁边，那它很可能也有防御功能。这个方法确实管用，过去五六年发现的系统大多靠这个思路。

但它的局限也很明显：只认熟面孔附近的人，对那些单打独斗或者藏在病毒基因组里的防御系统，基本抓瞎。而且它需要一个蛋白家族至少有5个同源序列才能算，直接把大量“孤儿蛋白”排除在外。所以这篇文章的作者换了个思路：不靠规则，靠模式识别。

三款模型，三种视角

他们搞了三套深度学习模型，每一套的“偏见”不一样。

第一个叫ALBERTDF，是个基因组语言模型。你可以把它想象成一个学会了细菌“语法”的模型，给它看一段连续64个基因的序列，它要预测中间缺了哪个基因。训练完之后，再拿它去判断一个基因出现在某个上下文里是不是“可疑”（也就是像不像防御基因）。这个模型的优点是不看序列，所以哪怕一个蛋白长得跟所有已知防御系统都不像，只要它总出现在防御岛里，模型就能抓到。缺点是词汇量太大，整个细菌界的蛋白家族有800多万个，模型根本装不下，所以他们只在一个门（放线菌门）上跑了这个实验。结果在10个预测的系统里验证了6个，全是之前没人知道有抗噬菌体功能的。

第二个叫ESMDF，思路完全反过来。它用的是蛋白语言模型ESM2，输入是一串氨基酸，输出是这个蛋白“像不像防御蛋白”。这种模型天然能捕捉远程同源关系，两个蛋白序列相似度很低，但三维结构或功能域有共性，ESM也能感受到。他们拿32万个基因组里的已知防御系统做正样本，拿核心看家基因和移动元件里的非防御基因做负样本，然后把模型微调成二分类器。650M参数的大版本在测试集上表现不错，尤其让人意外的是，哪怕那些在训练集里几乎没出现过的防御亚型（比如某些罕见的逆转录子），模型也给打了高分。

但最厉害的是第三个，GeneCLRDF。它是个双通道模型，同时看两样东西：一个通道读蛋白的氨基酸序列（用ESM-35M的预训练嵌入），另一个通道读这个蛋白周围的64个基因的上下文。训练目标很巧妙：让模型学会把同一个蛋白的“序列视图”和“上下文视图”拉近，把不同蛋白的视图推开。换句话说，模型被教会了一件事：一个蛋白长什么样，应该跟它住在基因组哪个位置是一致的。

这个设计的好处显而易见：如果一个蛋白的序列看起来不像任何已知防御系统，但它的邻居全是防御基因，模型就能通过上下文通道给它打高分；反过来，如果一个蛋白的序列特征很像防御蛋白，但被塞进了一个看家基因的上下文里，模型也不会轻易上当。在测试集上，GeneCLRDF做到了99%的精确率和92%的召回率，这意味着每100个被标记为“防御蛋白”的基因里，只有1个是假阳性；而所有真正的防御蛋白里，它能抓住92%。

验证：六个新系统从纸上走进培养皿

两轮实验验证了20个候选系统，其中12个具有真实的抗噬菌体功能。

第一轮在放线菌中测试ALBERTDF的预测：10个候选里有6个有效，在Streptomyces albus中表达后使噬菌斑下降超过100倍。研究者给它们取了Ceres、Ukko等名字，其中既有带核酸酶结构域的蛋白，也有仅几十个氨基酸、功能完全未知的小蛋白。

第二轮在大肠杆菌中测试ESM-650MDF的预测：同样是10个候选6个有效，包括一个携带DUF7946结构域的系统，没有任何已知防御同源物，却能同时抵抗长尾、肌尾、短尾三类噬菌体。

这些结果证明，模型学到的不是统计噪音，而是可实验复现的真实生物学功能。

全景图：1.5%的基因组，85%的未知家族

将GeneCLRDF应用于3.2万个细菌基因组后，绘制出一张全新的免疫地图。此前估计细菌约0.46%的基因为防御相关，新模型将这一比例拉高至1.53%，整整三倍。

多样性更为惊人：三个模型共预测61.5万个防御相关蛋白家族，其中93%仅能被GeneCLRDF识别。超过40万个家族没有任何Pfam结构域注释，连功能猜测都无从下手，是真正的“暗物质”。操作子层面，2.3万个家族中超一半与任何已知防御系统无关。

此外，新预测显示防御系统与可移动遗传元件的关联更强（23.5% vs 之前的17.7%），约25%的整合子基因被标记为防御相关——细菌免疫系统是一个动态、流动的网络，而非静态防线。

总结

这项工作的价值不在于刷了几个深度学习模型的分数，而在于它把“我们不知道细菌免疫到底有多复杂”这件事变成了一个可度量的、可操作的问题。61万个蛋白家族、2.3万个操作子家族、1.5%的基因组占比。这些数字给了一个明确的信号：过去三十年我们描述的那些系统，可能只是冰山浮出水面的尖尖。

当然，预测归预测。一个基因被模型打了高分，不代表它一定就是抗噬菌体的；即便它是，也不代表我们知道了它的机制。接下来要做的，是从这几十万个候选里挑出有意思的，一个个拿到实验室里去验证、去拆解、去搞清楚它到底怎么工作。

好在作者把一切都开源了：分数、操作子家族、交互式图谱，全部挂在DefenseFinder网站上。你不需要会写代码，也不需要懂深度学习，只要有一个感兴趣的基因组或者一个好奇的结构域，就可以去里面翻一翻，说不定下一个被命名的防御系统就藏在里面。

来源：Mordret E, Hervé A, et al. Protein and genomic language models uncover the unexplored diversity of bacterial immunity. Science. 2026 Apr 2;392(6793):eadv8275. doi: 10.1126/science.adv8275.