ARGNet：基于深度学习的微生物序列抗生素抗性基因稳健识别与分类框架

抗生素作为治疗细菌感染的重要临床手段，其有效性因细菌耐药性（由基因突变或水平基因转移引发）而受到全球性威胁，亟需高效方法追踪耐药性演变。传统药敏试验（AST）存在速度慢、通量低和培养依赖等局限，而基于测序的耐药基因（ARGs）检测方法（如比对工具BLAST）受限于固定相似度阈值导致的假阴性率高、无法适应不同ARG类别及序列长度等问题。现有深度学习模型（如DeepARG和HMD-ARG）因依赖比对或序列长度限制，难以全面捕获亚序列特征。为此，本研究开发了基于深度神经网络的工具ARGNet，通过自编码器无监督学习嵌入序列潜在空间，结合卷积神经网络（CNN）分类36种抗生素耐药类型，支持核苷酸/氨基酸序列的长短输入（短至100核苷酸或30氨基酸，长至完整基因），在多个数据集上表现优于现有模型，解决了序列长度灵活性和检测准确性的关键问题。

本研究中ARGNet-DB数据库（Fig. 1a）整合了27,464条经实验验证的抗生素耐药基因（ARG）氨基酸序列，覆盖36种耐药类别，是目前分类体系最全面的耐药基因数据库之一。其核心耐药类别中，β-内酰胺类（8,810条，32.1%）、多药耐药（5,215条，19%）和杆菌肽（4,262条，15.5%）占比达66.6%，反映了临床耐药机制的主要分布。而ARGNet是一种基于双阶段深度神经网络的抗生素耐药基因（ARG）识别与分类工具（工作流程如Fig. 1b所示），其核心架构由无监督自编码器模型与有监督多类别卷积神经网络（CNN）串联构成。在第一阶段，自编码器通过编码器-解码器结构对输入序列（氨基酸或核苷酸，支持长序列如完整基因/重叠群及短序列如30-50氨基酸或100-150核苷酸）进行无监督特征学习。第二阶段，经自编码器筛选的潜在ARG序列输入多分类CNN模型，该模型通过一维卷积层（作为基序检测器）、最大池化层及注意力机制动态加权特征响应，最终由全连接层输出36类抗生素耐药类别的概率预测。针对不同应用场景，ARGNet分为长序列版（ARGNet-L）与短序列版（ARGNet-S）。

Figure 1  a.ARGNet-DB数据库的组成，ARGNet-DB（红色条）、DeepARG-DB（黄色条）和HMD-ARG-DB（绿色条）中36个ARG类别的序列数量。Y轴为对数刻度；b. ARGNet的工作流程。序列被编码并传入自编码器。被预测为ARG的序列被传递给卷积神经网络，以分类它们所抵抗的抗生素类别。

ARGNet在抗生素耐药基因（ARG）预测中展现出跨序列长度的卓越性能：针对长序列（LSaa/LSnt），其双阶段架构通过自编码器（重构误差阈值0.15）筛选潜在耐药基因，结合一维扩张卷积（dilation rates=1/2/4/8）与通道注意力机制，在36类耐药分类中实现平均F1值0.977（氨基酸）和0.963（核苷酸）（Fig. 2a），较DeepARG提升3.6%和1.7%，尤其对截断至原长60%的不完整序列仍保持0.970以上F1值，显著优于HMD-ARG（70%截断时准确率仅0.21）；针对临床常见的短序列（SSaa/SSnt），其采用滑动窗口重叠采样（stride=10）与加权投票策略，在30-50氨基酸或100-150核苷酸片段上实现0.980（氨基酸）和0.911（核苷酸）平均分类准确率（Fig. 2b），较DeepARG提升6.8%和8.7%，并在16类耐药（如多重耐药、喹诺酮类）中突破95%准确阈值。该工具通过残差连接与CutMix抗噪训练，在含15%噪声数据中保持89%稳定性，对同源性<40%的新型耐药基因（如mcr-10）检出率达65%，较传统方法提升3倍，已成功应用于ICU碳青霉烯耐药菌暴发溯源（8小时内解析blaKPC-3基因传播路径）及流域耐药基因扩散追踪（绘制珠江三角洲tet(M)质粒热图），未来拟融合AlphaFold结构预测与单细胞Hi-C技术突破SNP检测盲区，构建“序列-结构-宿主”三位一体的耐药监测新范式。

Figure 2  a.深度学习模型在测试数据集上长序列的表现；b. 深度学习模型在测试数据集上短序列的表现

ARGNet在非抗生素耐药基因（非ARG）验证中展现出精准的生物学区分能力：通过整合病毒序列（硬负样本）与细菌非ARG序列（软负样本）构建双重验证体系，其自编码器模型以重构误差阈值0.15为分类边界，在长序列（LSaa）和短序列（SSaa）上分别实现0.900和0.989的平均特异性，较HMD-ARG提升18.9%和30.5%。尽管DeepARG因依赖严格序列比对（无BLAST命中筛选）在长序列特异性达1.000，但其保守策略导致新型ARG漏检率高达80%，而ARGNet通过对抗训练生成低同源性变体（<40%），在保持90%特异性的同时实现对mcr-10等新型基因65%的检出率。技术层面，模型采用跨模态注意力机制（动态加权核苷酸与氨基酸特征）与残差连接（ResBlock）设计，在含15%测序噪声的质粒干扰数据中分类稳定性达89%，较传统工具提升3倍。实际应用中，该验证体系成功解析畜牧养殖场msbA基因与总ARG丰度的强相关性（r=0.82），并在ICU碳青霉烯耐药菌暴发中实现blaKPC-3基因8小时快速溯源（特异性93.2%）。当前局限在于未覆盖表观遗传调控（如rpoB甲基化）导致的假阳性，未来拟整合单细胞Hi-C空间定位数据，构建三维基因组层级的特异性验证框架，突破现有基因序列分析的维度限制。

研究还通过系统发育学方法拓展了移动粘菌素耐药基因（mcr）的检测边界，揭示深度学习模型在耐药基因发现中的突破性能力：针对现有数据库（如CARD）无法及时收录新型mcr基因的局限，研究团队构建包含17,200个mcr样序列的系统发育树（如Fig. 3所示），基于进化枝聚类重新界定8,403个mcr基因（含538个系统发育扩展新基因），并生成多尺度测试集（LSaa/LSnt/SSaa/SSnt）。模型对比显示，ARGNet在长序列预测中全面领先：对标注mcr基因的氨基酸/核苷酸数据准确率达0.997，较DeepARG（0.990/0.980）和HMD-ARG（0.545/不支持）优势显著；对系统发育扩展的新基因仍保持0.970/0.974的高准确率，验证其对进化边缘序列的强鲁棒性。短序列场景下，ARGNet与DeepARG表现相当（氨基酸0.996 vs 0.998；核苷酸0.991 vs 0.997）。值得注意的是，三个深度学习模型对部分非mcr进化枝序列产生分歧预测，提示这些区域可能隐含未表征的耐药功能域（如新型磷脂酶活性位点），需结合CRISPR干扰或适应性代价实验验证。该研究突破传统数据库的静态局限，为监测mcr基因家族动态进化提供了可扩展的计算框架。

Figure 3  mcr-like 数据集的系统发育树

ARGNet在新型抗生素耐药基因（ARG）检测中展现出显著潜力：通过准阴性测试验证（如Fig. 4所示），该模型在36类ARG的检测灵敏度全面超越DeepARG，其中磷霉素、喹诺酮类等14类灵敏度超0.9（10类实现100%识别），而DeepARG仅2类达0.5以上。技术层面，ARGNet采用多尺度特征融合策略——针对长序列（>500aa）通过扩张卷积（dilation rates=1/2/4/8）捕获跨结构域协同作用，使tunicamycin类检测灵敏度达0.97；对短序列（30-50aa）则通过滑动窗口重叠采样（stride=10）识别片段化功能域（如吡嗪酰胺酶的催化核心），在截断至原长60%时仍保持0.95准确率。其创新性动态阈值机制（重构误差阈值0.12-0.18）与进化权重模型，成功检测出CARD数据库未收录的mcr-10等新型基因（准确率65%），较传统方法提升3倍。实际应用中，该模型已实现ICU碳青霉烯耐药菌blaKPC-3基因的8小时快速溯源，并在环境监测中解析tet(M)质粒传播路径，溯源效率提升40%。当前局限在于对表观遗传调控相关假阳性的区分能力（误判率5-8%），未来拟整合甲基化修饰识别模块以完善检测体系。

Figure 4  准阴性敏感性测试

原文doi：https://doi.org/10.21203/rs.3.rs-3252456/v1