《Frontiers in Genetics》：Improved prediction of microbial optimal growth temperatures with neural networks and protein language models
编辑推荐：
引言：温度是决定环境中微生物组成的最强选择压力之一。蛋白质的结构特性在宏观层面上塑造了生物体的热适应性，聚合蛋白质特征可用于多种类型的预测。由于大多数微生物仍未被培养，生理性状（如最佳生长温度（OGT））的推断已成为微生物生态学和生物技术的关键。方法：研究人员
引言：温度是决定环境中微生物组成的最强选择压力之一。蛋白质的结构特性在宏观层面上塑造了生物体的热适应性，聚合蛋白质特征可用于多种类型的预测。由于大多数微生物仍未被培养，生理性状（如最佳生长温度（OGT））的推断已成为微生物生态学和生物技术的关键。方法：研究人员从文献中汇编了一个大型微生物最佳生长温度数据集，并用于训练多个机器学习预测器。研究人员的目的是测试蛋白质语言模型（PLM）的实用性，并评估在不完整基因组上的预测性能。结果：研究人员确认了蛋白质序列特性与最佳生长温度之间存在强相关性。分析表明，计算更好的蛋白质序列特征，特别是通过蛋白质语言模型，可以带来更准确的预测。讨论：研究人员使用了最先进的工具，并将模型与过去20年间开发的用于最佳生长温度预测的其他几个模型进行了比较。研究人员的模型表现出在广泛温度范围内出色的泛化能力。研究人员得出结论：需要更大的数据集和增加嗜冷菌和嗜热菌的代表性，以继续改进预测器。
微生物最佳生长温度（Optimal Growth Temperature, OGT）是反映微生物对自然环境进化与生态适应性的关键生理性状。温度作为最强的选择压力之一，通过影响蛋白质结构特性决定微生物的组成。然而，由于大多数微生物无法被培养，传统依赖分离纯培养物的OGT测定方法具有局限性，因此基于序列的预测成为重要替代方案，尤其适用于宏基因组组装基因组（Metagenome-Assembled Genomes, MAGs）。早期研究利用DNA和蛋白质序列的基因组级特征进行预测，但受限于数据量小、特征线性化以及难以捕捉复杂非线性关系等问题。此外，现有数据集高度偏向中温菌（mesophiles），导致对嗜冷菌（psychrophiles）和嗜热菌（thermophiles）的预测精度不足。针对这些挑战，研究人员旨在通过整合更大规模的高质量数据集、引入非线性模型（如神经网络，Neural Networks, NNs）以及蛋白质语言模型（Protein Language Models, PLMs）来提升OGT预测的准确性和泛化能力。该研究对于理解未培养微生物的生理特性、推动微生物生态学与生物技术应用具有重要意义，论文发表在《Frontiers in Genetics》。
研究人员为开展研究采用了以下主要关键技术方法：从文献（Nakashima et al., Li et al., Engqvist, Sato et al.）中编译包含7149个条目（包括完整基因组与MAGs）的微生物OGT数据集，其中嗜热菌占5.9%，中温菌占90.8%，嗜冷菌占3.3%。特征提取包括单氨基酸频率（Amino Acid Frequencies, AAFs）、二肽频率（Dipeptide Frequencies, DiFs）以及基于ProtT5 PLM生成的1024维向量表示。模型训练采用线性模型（Ridge回归、Lasso回归）与非线性模型（支持向量回归SVR、全连接前馈神经网络NN），通过10折交叉验证（Cross-Validation, CV）和贝叶斯优化进行参数调优。评估指标为决定系数（R2）和均方根误差（Root Mean Square Error, RMSE）。此外，通过随机删除蛋白质序列模拟不完整基因组，测试模型在低完整度MAGs上的预测性能。
研究结果部分：
3.1 偏斜的数据分布：OGT数据集高度偏向中温菌，这种数据不平衡导致模型对中温菌的预测优于嗜冷菌和嗜热菌，但研究人员通过后续高温度子集训练部分缓解了该问题。
3.2 线性模型的预测：使用Ridge和Lasso回归，基于单氨基酸频率（AAFs）的预测R2约0.63，RMSE约6.0；而基于二肽频率（DiFs）的预测显著提升，R2约0.84，RMSE<4.0。这表明更大的序列上下文信息（DiFs）优于简单AAFs，且高质量数据集与正则化优化是关键因素。
3.3 非线性模型的预测：支持向量回归（SVR）和神经网络（NN）模型性能显著优于线性模型，即使仅使用AAFs，R2也达到0.86以上。使用DiFs后，NN模型的R2接近0.89，RMSE约3.2。通过10折CV与测试集结果的高度一致性，证实了模型出色的泛化能力。散点图显示，除嗜冷菌过度预测外，整体预测与实测值吻合良好。
3.4 蛋白质语言模型（PLM）的预测：将NN与PLM嵌入结合，实现了RMSE<3.0、R2>0.9的最优性能，这是首次在OGT预测中达到如此高的精度。PLM向量编码了进化、结构和功能信息，从而提升了预测准确性，且在整个温度范围内表现一致。
3.5 仅基于嗜热菌数据的模型：针对数据不平衡问题，研究人员仅使用嗜热菌数据（OGT>45°C，共420个点）重新训练NN模型，发现R2和RMSE均有改善（如NN-PLM模型R2达0.91，RMSE约3.94），但指出小数据集可能导致泛化能力下降，并在软件包中设置了自动切换预测策略。
3.6 在小局部数据集上的模型性能：对一组未参与训练的实验室分离嗜热菌（如Pyrobaculum yellowstonensis WP30）进行预测，结果与实验值总体一致，但个别菌株（如WP30）因自然栖息地温度更高而被预测偏高，证实了模型对嗜热菌的有效性。
3.7 在不完整基因组序列上的模型测试：通过随机删除蛋白质序列模拟不同完整度的MAGs，发现即使蛋白质数量降至30%，模型预测性能（R2和RMSE）几乎不变；降至10%时仅略有下降。这表明模型对低完整度MAGs（20%-30%完整）仍能做出准确预测，具有重要实用价值。
3.8 计算成本：基于DiFs的NN预测每个MAG平均耗时5.5秒，PLM嵌入生成平均耗时2.78分钟，后续NN预测平均4.8秒。若触发高温度模型预测，时间约翻倍。所有计算基于单CPU和NVIDIA RTX 4090 GPU。
讨论部分总结：研究人员比较了与既往模型的一致性趋势（如DiFs优于AAFs、非线性优于线性、数据不平衡问题），并强调了本研究的改进：更大规模的高质量数据集（>92%的样本完整度≥70%）、更严格的参数优化（如200次贝叶斯优化）使得线性模型（如Lasso、Ridge）在DiFs上表现接近SVR，R2>0.8，RMSE<4。NN-PLM模型达到RMSE<3、R2>0.9，归因于PLM的改进编码和数据处理。模型对不完整MAGs的鲁棒性是最具实际意义的贡献之一。研究结论翻译为：研究人员得出结论，需要更大的数据集和增加嗜冷菌与嗜热菌的代表性，以继续改进预测器。此外，建议更精确地测定OGT（1-2°C增量）以提高信噪比，并指出未来可通过三肽频率或优化PLM子集进一步改进。
