PhageTransformer - scalable and accurate host assignments for bacteriophages
PhageTransformer est un modèle d'apprentissage profond qui surmonte les limites des outils existants en fournissant des prédictions hôte-phage évolutives, précises et rapides pour les bactériophages, comme le démontre sa performance supérieure sur des milliers de paires phage-hôte indépendantes.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Les virus qui infectent les bactéries, connus sous le nom de bactériophages, sont les architectes invisibles du monde microbien. Ils existent en nombres vertigineux, façonnant la santé des écosystèmes et l'équilibre de la vie en leur sein. Pour comprendre comment ces virus fonctionnent, les scientifiques doivent savoir quelles bactéries spécifiques ils ciblent, car un phage ne peut survivre qu'en envahissant un hôte particulier. Ces dernières années, de puissantes machines de séquençage ont découvert des millions de nouveaux codes génétiques de phages provenant du sol, de l'eau et du corps humain. Pourtant, pour la grande majorité de ces séquences nouvellement découvertes, l'identité de leur hôte bactérien demeure un mystère. Sans ce lien crucial, les données génétiques restent largement illisibles, laissant une lacune importante dans notre compréhension de la manière dont ces virus interagissent avec le monde qui les entoure.
Depuis un certain temps, les chercheurs s'appuient sur des programmes informatiques pour deviner ces connexions manquantes en comparant la composition génétique d'un virus à celle de bactéries connues. Cependant, ces outils existants sont confrontés à trois obstacles persistants. Premièrement, ils ne peuvent identifier qu'un nombre limité d'hôtes bactériens, laissant de nombreuses correspondances potentielles non découvertes. Deuxièmement, ils confondent souvent du matériel génétique non viral avec un virus et lui assignent un hôte avec assurance, menant à de fausses pistes. Enfin, les scientifiques ont dû choisir entre vitesse et précision ; les outils qui s'exécutent rapidement font souvent plus d'erreurs, tandis que ceux qui sont hautement précis prennent beaucoup trop de temps pour traiter de grandes quantités de données.
Une nouvelle approche appelée PhageTransformer vise à résoudre ces problèmes en utilisant un modèle d'apprentissage profond, un type d'intelligence artificielle qui apprend des modèles à partir de vastes quantités de données. Les chercheurs ont testé ce nouveau système par rapport aux meilleurs outils existants en utilisant une collection de 3 881 paires confirmées de phages et de leurs hôtes bactériens, tirées de bases de données génétiques publiques et d'échantillons environnementaux. Les résultats ont montré que PhageTransformer pouvait prédire l'hôte correct avec une précision égale ou supérieure aux méthodes actuelles. Crucialement, il a atteint ce haut niveau de précision tout en étant beaucoup plus rapide que ses concurrents. En surmontant les précédents compromis entre vitesse et fiabilité, ce nouveau modèle offre un moyen plus efficace de cartographier les relations cachées entre les virus et les bactéries qu'ils infectent, transformant un immense arriéré de données génétiques non connectées en une image plus claire du monde microbien.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.