ProkBERT PhaStyle：基于预训练基因组语言模型的精准噬菌体生活方式预测

《Bioinformatics Advances》：ProkBERT PhaStyle: Accurate Phage Lifestyle Prediction with Pretrained Genomic Language Models

本研究针对噬菌体生活方式（溶原性/溶菌性）预测中存在的片段化序列识别难、计算效率低、对新噬菌体泛化能力差等问题，开发了基于预训练基因组语言模型（DNABERT-2、Nucleotide Transformer、ProkBERT）的新方法ProkBERT PhaStyle。该方法无需复杂预处理流程或人工标注数据库，直接对核苷酸序列进行分析，在BASEL集合、极端环境噬菌体和Escherichia噬菌体测试中表现出优于BACPHLIP、DeePhage、PhaTYP等现有工具的准确性和推理速度，特别在短片段（500bp）和未见样本预测场景下优势显著，为生态学和临床应用提供了高效解决方案。

　　

在微生物研究领域，噬菌体作为细菌病毒扮演着双重角色：烈性噬菌体（virulent phage）能通过裂解循环快速清除病原菌，为抗生素替代疗法提供希望；温和噬菌体（temperate phage）则具备溶原能力，可整合至细菌基因组并介导基因转移，直接影响细菌进化与致病性。然而，当前噬菌体生活方式预测技术面临三重挑战：宏基因组/病毒组组装产生的序列往往高度片段化（≤10kb），环境噬菌体多样性认知不足，而依赖数据库比对的传统方法（如BACPHLIP、PhaTYP）存在更新滞后、计算开销大、对未知噬菌体泛化能力弱等局限。

为突破这些瓶颈，匈牙利研究团队在《Bioinformatics Advances》发表研究，创新性地将自然语言处理中的Transformer模型应用于噬菌体基因组分析。研究团队对三种基因组语言模型（DNABERT-2、Nucleotide Transformer和专为微生物序列设计的ProkBERT）进行微调，构建了名为ProkBERT PhaStyle的新型预测工具。该工具通过直接解析核苷酸序列实现端到端分类，无需蛋白质注释或复杂数据库检索，在保持高精度的同时显著提升计算效率。

关键技术方法包括：使用平均核苷酸一致性（ANI≥80%）严格划分训练集与测试集以模拟真实场景；构建BASEL集合（105个大肠杆菌噬菌体）、极端环境噬菌体集合（深海底、酸性环境等）和Guelin集合（96个Escherichia噬菌体）作为基准数据集；采用局部上下文感知（LCA）k-mer标记化策略处理序列；通过加权投票算法整合短片段预测结果；在统一硬件环境下（NVIDIA Tesla A100 GPU）对比推理速度。

研究结果验证了基因组语言模型的卓越性能：

性能基准测试

在BASEL集合测试中，ProkBERT-mini在500bp片段上达到0.88准确率（MCC 0.75），优于DNABERT-2（0.83）和PhaTYP（0.87）。当序列长度增至10000bp时，其准确率提升至0.96（MCC 0.93），显示模型能有效利用更长上下文信息。特别在严格排除训练集中Escherichia相关噬菌体的设定下，ProkBERT仍保持领先，证明其强泛化能力。

极端环境噬菌体识别

针对深海底、高砷环境等特殊生态来源的噬菌体，ProkBERT-mini在500bp片段上实现0.89准确率（敏感性0.99），显著优于PhaTYP（0.77）。当片段长度增加至10000bp时，所有模型性能接近完美，但ProkBERT仍以0.98准确率领先，证实其对非典型噬菌体的识别鲁棒性。

样本外预测能力

在Guelin集合的跨属测试中，ProkBERT-mini在严格排除训练集相似序列的条件下，对500bp片段分类准确率达0.89，而标准训练设定下提升至0.93。这表明即使面对进化距离较远的噬菌体，模型仍能通过预训练获得的序列模式进行有效推断。

计算效率优势

速度测试显示ProkBERT-mini-long仅需132秒完成1000条序列分析（0.52 MB/s），较DNABERT-2（2-3.8倍耗时）和数据库检索类工具（PhaTYP需2718秒）具有明显速度优势。这种效率提升源于其紧凑的模型结构（2000万参数）和优化的标记化策略。

研究结论指出，ProkBERT PhaStyle的成功证实了预训练语言模型在微生物基因组分析中的潜力。其核心价值在于将复杂生物学问题转化为可扩展的序列分类任务，通过转移学习范式适应数据稀缺场景。尽管当前模型尚无法捕获完整基因组结构信息，且依赖GPU计算资源，但其在短片段分类、极端环境样本识别和计算效率方面的突破，为宏基因组研究提供了新的技术路径。未来工作可聚焦模型可解释性提升和多任务学习框架扩展，进一步推动人工智能在微生物生态学研究中的深度应用。