Nature Microbiology
基于机器学习的无系统发育噬菌体 - 宿主相互作用株水平预测
小赛推荐：
本研究为 噬菌体疗法 和 微生物组工程 提供了无需预先了解受体机制即可精准筛选 目标基因 的策略，直接启发针对 耐药菌 感染的个性化治疗方案设计。
文献概述
本文《Phylogeny-agnostic strain-level prediction of phage–host interactions from genomes using machine learning》，发表于《Nature Microbiology》杂志，系统探讨了如何利用机器学习框架仅凭基因组序列预测不同细菌属间的噬菌体 - 宿主相互作用，打破了传统方法对系统发育关系的依赖。背景知识
噬菌体疗法被视为对抗 耐药菌 感染和工程化 微生物组 的 promising 替代方案，但其临床应用受限于难以精准筛选能感染特定 细菌株 的噬菌体。当前 靶点 研究的主要瓶颈在于：1. 宿主特异性是进化军备竞赛的产物，涉及复杂的 细胞壁结构、受体蛋白 及 防御机制，传统基于已知机制的方法难以覆盖未知菌株；2. 现有预测工具多局限于特定属或依赖已知的遗传决定因子，缺乏跨属预测能力；3. 实验筛选耗时且数据不平衡，导致模型泛化性差。本研究切入点在于构建一个无系统发育依赖的机器学习工作流，利用全基因组蛋白质家族特征，在不预设感染机制的前提下，实现对新型 噬菌体 和 宿主 株水平的相互作用预测。
研究方法与核心实验
作者整合了六个公开数据集，涵盖 115,037 次相互作用、949 个 细菌株 和 518 种 噬菌体。研究首先将基因组转化为蛋白质家族存在/缺失特征，利用递归特征消除法筛选信息特征，并采用梯度提升决策树（CatBoost）算法构建预测模型。关键证据包括：1. 在 1320 万次训练运行中优化参数，模型在跨数据集验证中 AUROC 达到 0.67-0.94；2. 实验验证了 1,240 个预测的 大肠杆菌 相互作用，AUROC 为 0.84，证明了模型对未见 噬菌体 的泛化能力；3. 通过全基因组 RB-TnSeq 筛选，确认 68.6% 的实验鉴定感染介导因子被计算模型捕获，验证了预测特征的生物学相关性。关键结论与观点
研究意义与展望
该发现对 药物开发 具有深远影响，能够加速针对特定 耐药菌 的噬菌体鸡尾酒疗法设计，减少实验试错成本。在 临床监测 方面，该框架支持基于患者分离株基因组的快速精准选药。对于 疾病建模，该工作流有助于构建更复杂的 微生物组 互作模型，推动合成生物学在农业和工业中的应用。
结语
本研究通过构建无系统发育依赖的机器学习平台，成功实现了从基因组序列到株水平噬菌体 - 宿主相互作用的精准预测，解决了传统方法在 耐药菌 治疗中面临的筛选瓶颈。该成果不仅验证了计算预测与实验验证的高度一致性，更通过模型指导的鸡尾酒设计显著提升了治疗覆盖率。从实验室到临床转化，这一平台为 噬菌体疗法 的理性设计奠定了坚实基础，使得针对复杂 感染性疾病 的个性化精准医疗成为可能，有望在对抗全球 抗生素耐药性 危机中发挥关键作用，重塑未来的 微生物组 工程与感染控制策略。
