AI驱动的益生菌基因模块发现及其在食品和健康中的功能影响

《Frontiers in Microbiology》:AI-driven discovery of probiotic gene modules and their functional impact in food and health

【字体: 大 中 小 】 时间:2026年07月22日 来源:Frontiers in Microbiology 5.8

编辑推荐:

  摘要:引言:益生菌的作用方式取决于其基因、蛋白质以及其所处的环境。当前的知识空白使得难以预测益生菌在不同食品中的行为或发现新的有用特性。为解决这一问题,研究人员开发了一种新的人工智能(AI)工具,从基因、蛋白质和代谢等多个角度分析益生菌,以预测它们在不同类型食

  
摘要:引言:益生菌的作用方式取决于其基因、蛋白质以及其所处的环境。当前的知识空白使得难以预测益生菌在不同食品中的行为或发现新的有用特性。为解决这一问题,研究人员开发了一种新的人工智能(AI)工具,从基因、蛋白质和代谢等多个角度分析益生菌,以预测它们在不同类型食品中的实际行为。方法:利用156个完全注释的基因组,研究人员识别出247个基因模块,并发现了潜在的功能聚类。蛋白质语言模型(ESM-2和ProtT5)实现了对3,110个蛋白质的结构和生化表征,包括谱系限制性和先前未注释的序列。此外,研究人员还模拟了不同食品基质中的细菌代谢活动。结果:该框架成功识别了与应激耐受、黏附、短链脂肪酸(SCFA)生物合成和免疫调节相关的特定性状。代谢模拟精确展示了菌株在何处生长旺盛以及代谢瓶颈出现在何处,同时模型还揭示了这些遗传性状如何可能帮助增强免疫系统或保护肠道内壁。值得注意的是,AI的预测与生物学现实高度吻合,证实模型捕捉到了有意义的见解而不仅仅是统计模式。讨论:这种多尺度框架为解释益生菌功能潜力提供了机制基础。通过桥接基因组、蛋白质组和环境数据,该方法支持针对特定食品基质合理开发和优化益生菌菌株。
**论文解读:AI驱动的益生菌基因模块发现及其在食品和健康中的功能影响**

**研究背景、问题与意义**

益生菌作为活体微生物,在宿主健康中发挥重要作用,但其功能高度依赖环境。当前研究存在两大瓶颈:一是益生菌在不同食品基质(如乳制品、植物基、发酵食品)中的行为预测困难,二是传统基于同源性的基因组注释方法难以识别谱系限制性或未表征的蛋白质功能。尽管已有多种计算工具,但大多仅关注单一尺度(如基因或代谢通路),缺乏整合基因组、蛋白质组和代谢组的系统框架。为解决这些问题,本研究开发了一种AI驱动的多尺度计算框架,整合基因组模块化、基于转化器的蛋白质推断和基质感知的代谢建模,以预测益生菌在食品与宿主环境中的功能潜力。该研究发表于《Frontiers in Microbiology》。

**主要关键技术方法**

研究人员采用系统文献筛选(PRISMA框架)和数据库检索,从NCBI RefSeq、GenBank及文献中收集156个高质量益生菌基因组(包括Lactiplantibacillus plantarum、Bifidobacterium longum和Escherichia coli Nissle 1917为主)。关键方法包括:①多平台基因组注释(Prokka、RASTtk、KOfamScan)结合共识策略定义247个基因模块;②AI驱动聚类(图神经网络GNN、变分自编码器VAE、转化器注意力机制)发现潜在功能网络;③蛋白质语言模型(ESM-2 650M和ProtT5 XL UniRef50)推断3,110个蛋白质的功能;④使用CarveMe重建基因组规模代谢模型,并基于文献报道的乳制品、植物基和发酵基质营养约束进行通量平衡分析(FBA);⑤整合多尺度特征,采用XGBoost、随机森林和神经网络进行监督学习,并用SHAP进行可解释性分析。

**研究结果**

**3.1 扩展的基因组数据集揭示了稳健的模块化架构**
通过从37个基因组扩展到156个,研究人员鉴定出247个基因模块(增加84%)和18个功能聚类,轮廓系数从0.71提升至0.78。模块分布在五个功能域:黏附与定植(28%)、应激抵抗(24%)、抗菌活性(19%)、SCFA生物合成(16%)和免疫调节(12%)。核心基因组(44个模块,>95% prevalence)包含保守的黏附系统(mucBP、fbp)、酸耐受基因(gadB-gadC)和伴侣蛋白网络(groESL);附属基因组(203个模块)包含谱系特异性适应(如细菌素、磷酸酮酶变体)。跨域相关性分析显示应激应答与黏附模块关联最强(r=0.67),SCFA生物合成与免疫调节中度相关(r=0.54)。基质特异性富集分析表明乳制品适应菌株富含应激抵抗和黏附模块,植物适应菌株富含SCFA和碳水化合物利用通路,竞争性菌株富含抗菌系统。

**3.2 AI驱动聚类揭示潜在功能网络**
整合GNN、VAE和转化器注意力机制,将247个模块解析为18个定义良好的聚类(轮廓系数0.78)。PCA分析显示PC1(基质存活能力)由酸抵抗、胆汁耐受和伴侣蛋白系统驱动,PC2(定植潜力)由黏附相关模块(mucBP、fbp、spaCBA)驱动,两轴共解释59.2%方差。乳制品适应模块聚集于右上象限,植物相关模块聚集于左下象限。注意力权重揭示酸抵抗模块与黏附模块的反复耦合,尤其在乳制品适应菌株中突出。

**3.3 蛋白质语言模型预测实现性状分配**
对3,110个蛋白质应用ESM-2和ProtT5,以高置信度(平均概率0.87)推断功能。鉴定出319个先前未表征的蛋白质,分为:142个应激抵抗蛋白、85个黏蛋白结合/黏附相关蛋白、92个SCFA途径酶。这些“隐蔽”蛋白可能代表辅助应激系统、扩展的黏附库和替代SCFA合成途径。基准测试表明PLM方法(F1=0.87,AUC-ROC=0.92)优于InterProScan、HMMER等传统工具,尤其对序列同一性<30%的蛋白质改进显著。

**3.4 食品基质模拟凸显基质-基因相互作用**
对156个基因组进行乳制品、植物基和发酵基质约束下的代谢模拟,生成10,248个稳态通量谱。乳制品基质中,应激缓解通路(groESL、bsh)通量增加1.8–2.3倍;植物基基质中,糖酵解活性、磷酸酮酶通量和SCFA生物合成上调(ackA-ptb通量增加1.7–2.1倍);发酵基质中,氧化还原平衡和细菌素前体合成通路占主导(抗菌前体通量增加约1.9倍)。11个缺乏经典SCFA模块的菌株在植物基条件下仍产生可测量乙酸/丁酸,由PLM预测的辅助酶支持,表明存在隐蔽代谢冗余。

**3.5 集成数据集的AI就绪性**
将所有基因组、蛋白质组和基质特异性数据整合为统一AI就绪数据集,包含三个核心组件:菌株、基因模块/蛋白质功能注释、三种食品基质环境。该数据集为机器学习分析提供了标准化的特征基础。

**3.6 外部验证与已发表实验数据**
使用独立数据集验证:①SCFA预测:45个匹配菌株-基质对,预测通量与实验测量值高度一致(Spearman r=0.73,p<0.001);②IL-10免疫调节分类:AUC=0.86,敏感性78%,特异性82%。SHAP分析揭示SCFA相关通路、黏附基因模块和应激抵抗蛋白是IL-10预测的主要贡献者。

**3.7 潜在维度的生物学解释**
PC1特征载荷主要来自应激抵抗和环境耐受模块(gadB-gadC、groESL、bsh),PC2来自黏附和定植模块(mucBP、fbpA/B、spaCBA)。SHAP重要性分析进一步确认了这些基因组驱动因素。

**讨论与结论**

讨论部分指出,该框架整合了多尺度计算分析,从基因组、蛋白质组和代谢组层面揭示了益生菌功能行为的机制基础。AI聚类揭示了基质存活能力和定植潜力两个主导生态策略轴,为匹配菌株与饮食环境提供了定量依据。蛋白质语言模型成功发现了传统注释遗漏的隐蔽功能蛋白,扩展了功能性基因组的理解。基质感知代谢模拟表明食品基质是主动的生化环境,而非被动载体。宿主互作建模提示免疫调节潜力源于协调的基因组和代谢系统,而非单一基因。

结论部分翻译:本研究引入了一个AI驱动的计算框架,整合了基因组模块化、蛋白质水平推断和基质感知代谢建模,以预测益生菌在食品和宿主环境中的功能潜力。该框架提供了计算证据,表明益生菌适应可能源于保守的宿主互作性状与灵活、生态位特异的代谢能力之间的相互作用。外部验证表明与已发表的应激耐受、黏附和SCFA相关代谢测量结果一致,支持预测的合理性。然而,所有功能输出仍是计算假设,需要实验证实。未来的工作整合转录组学、代谢组学和体内验证,对于将这些预测转化为精准益生菌设计的实际应用至关重要。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号