PhageTransformer - scalable and accurate host assignments for bacteriophages
PhageTransformer is een deep learning-model dat de beperkingen van bestaande tools overwint door schaalbare, nauwkeurige en snelle gastheervoorspellingen voor bacteriofagen te bieden, zoals aangetoond door de superieure prestaties op duizenden onafhankelijke faag-gastheerparen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Virussen die bacteriën infecteren, bekend als bacteriofagen, zijn de onzichtbare architecten van de microbiële wereld. Ze bestaan in verbluffende aantallen en vormen de gezondheid van ecosystemen en de balans van het leven daarin. Om te begrijpen hoe deze virussen functioneren, moeten wetenschappers weten welke specifieke bacteriën ze targeten, aangezien een faag alleen kan overleven door een specifieke gastheer binnen te dringen. In de afgelopen jaren hebben krachtige sequencers miljoenen nieuwe genetische codes van fagen uit de bodem, het water en het menselijk lichaam onthuld. Toch blijft voor de overgrote meerderheid van deze nieuw ontdekte sequenties de identiteit van hun bacteriële gastheer een mysterie. Zonder deze cruciale link blijft de genetische data grotendeels ongelezen, wat een aanzienlijke kloof achterlaat in ons begrip van hoe deze virussen met de wereld om hen heen interageren.
Al enige tijd vertrouwen onderzoekers op computerprogramma's om deze ontbrekende verbindingen te raden door de genetische samenstelling van een virus te vergelijken met bekende bacteriën. Deze bestaande hulpmiddelen kampen echter met drie hardnekkige hindernissen. Ten eerste kunnen ze slechts een beperkt aantal bacteriële gastheren identificeren, waardoor veel potentiële matches onontdekt blijven. Ten tweede zien ze niet-viraal genetisch materiaal vaak aan voor een virus en wijzen ze dit met zekerheid toe aan een gastheer, wat leidt tot valse sporen. Ten slotte moesten wetenschappers kiezen tussen snelheid en precisie; tools die snel draaien maken vaak meer fouten, terwijl tools die zeer nauwkeurig zijn te langzaam zijn om grote hoeveelheden data te verwerken.
Een nieuwe benadering genaamd PhageTransformer beoogt deze problemen op te lossen door gebruik te maken van een deep learning-model, een type kunstmatige intelligentie dat patronen leert van enorme hoeveelheden data. De onderzoekers testten dit nieuwe systeem tegen de beste bestaande tools met behulp van een collectie van 3.881 bevestigde paren van fagen en hun bacteriële gastheren, afkomstig uit publieke genetische databases en milieu-monsters. De resultaten toonden aan dat PhageTransformer de juiste gastheer kon voorspellen met een nauwkeurigheid die de huidige methoden evenaarde of overtrof. Cruciaal is dat het dit hoge niveau van precisie bereikte terwijl het veel sneller draaide dan zijn concurrenten. Door de eerdere afwegingen tussen snelheid en betrouwbaarheid te overwinnen, biedt dit nieuwe model een efficiëntere manier om de verborgen relaties tussen virussen en de bacteriën die zij infecteren in kaart te brengen, waardoor een enorme achterstand aan onverbonden genetische data wordt omgezet in een helder beeld van de microbiële wereld.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.