PhageTransformer - scalable and accurate host assignments for bacteriophages
PhageTransformer 是一种深度学习模型，它通过在数千个独立的噬菌体-宿主对上展现出的卓越性能，克服了现有工具的局限性，为噬菌体提供了可扩展、准确且快速的宿主预测。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
感染细菌的病毒被称为噬菌体，它们是微生物世界中隐形的建筑师。它们以惊人的数量存在，塑造着生态系统的健康以及其中生命的平衡。为了了解这些病毒如何运作，科学家必须知道它们具体针对哪些细菌，因为噬菌体只能通过入侵特定的宿主来生存。近年来，强大的测序技术从土壤、水和人体中发现了数百万个新的噬菌体遗传密码。然而，对于这些新发现的序列中的绝大多数而言，其细菌宿主的身份仍然是一个谜。由于缺乏这一关键的联系，这些遗传数据在很大程度上处于无人问津的状态，导致我们在理解这些病毒如何与周围世界相互作用方面存在显著的认知空白。
一段时间以来，研究人员一直依赖计算机程序，通过将病毒的遗传组成与已知细菌进行比较，来推测这些缺失的联系。然而，现有的工具面临着三个持久的障碍。首先，它们只能识别有限数量的细菌宿主，导致许多潜在的匹配对象无法被发现。其次，它们经常将非病毒的遗传物质误认为病毒，并自信地为其分配宿主，从而导致错误的线索。最后，科学家们不得不面对速度与精度之间的抉择：运行快速的工具往往会犯更多错误，而那些高度精确的工具处理大量数据时又过于缓慢。
一种名为 PhageTransformer 的新方法旨在利用深度学习模型（一种通过海量数据学习模式的人工智能）来解决这些问题。研究人员使用从公共遗传数据库和环境样本中提取的 3,881 对已确认的噬菌体及其细菌宿主配对，针对这一新系统进行了测试。结果显示，PhageTransformer 预测正确宿主的准确度能够达到或超过现有方法。至关重要的是，它在实现这种高水平精度的同时，运行速度比竞争对手快得多。通过克服以往在速度与可靠性之间的权衡，这一新模型为绘制病毒与其感染的细菌之间隐藏的关系提供了一种更高效的方法，将庞大的、未连接的遗传数据积压转化为一幅更清晰的微生物世界图景。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。