GUTchetp：基于集成单语与多语言神经机器翻译及酶分类一致性与反应相似性的肠道微生物生物转化谱整合预测

《Gut Microbes》：GUTchetp: integrated prediction of gut microbial biotransformation profiles using ensemble monolingual and multilingual neural machine translation and enzyme class consistency–reaction similarity

　　

摘要
分析化合物在人体肠道中的代谢归宿仍是一项基本挑战，因为对整个化学空间进行全面的实验表征是不可行的。此外，尽管计算生物学取得了进展，仍缺乏一种能够预测多种化学物质微生物依赖性代谢的综合工具。为应对这些挑战，研究人员引入了GUTchetp框架，该框架包含两个组成部分：一部分预测肠道生物转化产物，并在包含六个化合物类别的基准数据集上进行了测试；另一部分识别相关的微生物酶和物种，并在包含95个代谢事件的基准数据集上进行了评估。第一部分采用集成单语与多语言神经机器翻译（neural machine translation, NMT）模型，整合了迁移学习（transfer learning, TR）、混合微调（mixed fine-tuning, MFT）、多种分子表示与自适应数据增强（adaptive data augmentation）。该集成模型在性能上优于以往方法，Top-20 BLEU分数和MaxFrag准确率分别达到66.59%和67.19%。第二部分应用了一种重排序规则，该规则结合了两个酶学委员会（Enzyme Commission, EC）编号分类器的预测一致性与化学反应相似性，在隐藏数据集上相比现有工具准确率提升了34.38个百分点。两个组成部分相比现有工具均表现出统计学上的显著改进，能够准确预测68.42%的已知肠道微生物生物转化谱，这对于预测肠道微生物生物转化结果极具前景。GUTchetp因此将为预测个性化肠道微生物组代谢有意摄入的外源物质（如药物和营养素）以及非有意摄入的外源物质（如环境化学物）的能力铺平道路。
图解摘要
显示全尺寸
关键词：微生物组生物转化产物预测；肠道酶促反应与微生物物种预测；肠道微生物代谢谱预测；单语与多语言神经机器翻译；集成模型；自适应数据增强；多种分子表示；混合微调；随机森林；反应相似性矩阵

**GUTchetp：肠道微生物生物转化谱整合预测框架的论文解读**

**1. 研究背景与现存问题**
人体肠道微生物组是一个由数万亿细菌构成的动态生态系统，在维持宿主-微生物互作中发挥着关键的代谢功能，包括蛋白质和复杂碳水化合物的消化、维生素和神经递质前体的合成以及短链脂肪酸和胆汁酸等代谢产物的生成。宿主与微生物组的长期共进化形成了多种基于代谢物的互作机制。人类当前暴露于极为广泛的化学物质中，环境中存在的化学物总数超过35万种，仅美国每年就有约700种新化学物被生产。这些外源物质可分为三类：完全有意摄入的物质（如药物和甜味剂）、可通过选择性饮食避免的物质（如食品添加剂和植物次生代谢物）以及完全非有意摄入的物质（如植物保护产品）。已有报道表明，这三类物质与微生物组的互作可导致微生物组结构和功能改变，并对宿主产生不良影响。微生物酶介导的非天然化学物生物转化是这一过程的起始步骤，既可被利用于前药设计（如柳氮磺吡啶），也可导致药物失活（如地高辛）。尽管宿主自身的生物转化能力已有较好认知，但对肠道微生物组生物转化外源物质能力的了解仍然有限。实验测试仅覆盖有限微生物物种且条件与体内环境存在差异，加之伦理和实际操作限制，亟需开发计算工具来预测肠道微生物组的生物转化能力。现有工具如MetaTrans和MetaPredictor虽在人类代谢物预测方面取得进展，但存在评估数据集规模小、化学类别覆盖有限、对产物与母体分子结构差异较大的反应预测性能下降等局限性。此外，尚无单一工具能同时准确预测肠道生物转化产物及其相关酶和微生物物种。因此，构建一个综合的生物转化谱预测框架具有重要的科学意义和应用价值。

**2. 研究方法概述**
研究人员提出了GUTchetp框架，包含三大模块。第一模块为数据收集与整合，构建了用于预训练、微调和测试的数据集：预训练采用美国专利商标局（USPTO）反应数据集（110万有机反应）；微调数据集包括MetaNetX数据集和人工整理并整合统一人类胃肠道基因组（UHGG）集合的生物转化反应数据集（BRD），BRD共包含25393个代谢反应，细分为人类肠道生物转化反应（HGBR）、人类生物转化反应（HBR）和其他环境反应（OBR）；测试数据集PP用于肠道生物转化产物预测，整合了五个数据库并涵盖六大化合物类别，共348种化合物和479个经实验验证的代谢产物；EP数据集用于酶预测评估，包含95个代谢事件。第二模块为肠道生物转化产物预测，采用基于Transformer架构的两步迁移学习和混合微调策略，结合标准与自适应数据增强、单表示和多表示（SMILES、InChI、SELFIES）分子表示方法，并在10个层次聚类分区上分别微调后构建包含35个基础模型的集成模型，同时开发了模型选择代理以平衡计算效率和预测性能。第三模块为肠道微生物酶和物种鉴定，利用扩展后的肠道反应构建Tanimoto相似性矩阵，并采用两个随机森林分类器（RF1和RF2）分别预测一级和二级EC编号，结合化学反应相似性构建重排序评分进行候选反应检索。

**3. 主要结果**
**3.1. 数据探索与化学空间分析**
BRD数据集包含25393个独特反应，其中57.83%为酶促反应，涉及4435种不同酶。HGBR占26.50%，HBR占1.60%，OBR占71.90%。氧化还原酶（35.50%）、转移酶（28.90%）和水解酶（18.30%）是最主要的酶类。t-SNE分析显示不同环境来源的反应在化学空间存在显著重叠，表明存在共享的化学空间，而肠道相关反应聚集在中心区域。数据污染检测确认微调与测试数据集间Tanimoto相似度低于4%，排除了信息泄漏的可能。

**3.2. 肠道生物转化产物预测评估**
消融实验系统评估了各组件贡献。仅用HGBR微调性能提升微弱（Top-20仅0.06%），整合HBR和OBR后Top-20 BLEU提升22.91%。自适应数据增强策略在Top-20时相比标准增强提升BLEU达1.84%。两步迁移学习（先MetaNetX后混合微调）相比单步微调降低交叉熵损失（0.27对0.32），Top-20 BLEU提升3.20%。检查点集成平均使Top-20 BLEU从60.18%提升至61.98%。多表示学习评估中，涉及SELFIES的翻译任务在Top-10以上表现更优。通过暴力搜索算法从4400多个检查点模型中筛选出35个优胜模型，集成后Top-200累积准确率达83.30%。四种预测级别中，自适应级别在保持与穷举级别相当性能的同时，计算时间减少62.20%。与现有工具比较，GUTchetp在Top-20 BLEU（66.59%）、准确率（65.97%）和MaxFrag准确率（67.19%）上均显著优于MetaTrans和MetaPredictor，差异具有统计学意义。

**3.3. 肠道微生物酶和物种预测评估**
指纹组合实验表明，一级EC分类最优组合为Morgan+Pattern+Topological Torsion（M+P+TT），在隐藏EP数据集上WAF1达89.43%；二级EC分类最优组合为M+P，WAF1达81.02%。基于预测边际的置信度分层中，RF1高置信层覆盖42.11%的反应且准确率95.00%，RF2高置信层覆盖24.21%且准确率100.00%。重排序规则结合一级和二级EC分类器预测一致性与化学相似性，在隐藏数据集上Top-1准确率从46.87%提升至62.50%（四级EC）。与SIMMER相比，GUTchetp在Top-20准确率上达84.38%（27/33化合物），提升34.38个百分点，差异显著。

**3.4. 肠道微生物生物转化谱评估**
对95种化合物的完整肠道微生物生物转化谱预测，Top-1、Top-5、Top-10和Top-15准确率分别为53.68%（51/95）、62.11%（59/95）、66.32%（63/95）和68.48%（65/95）。

**3.5. 案例研究**
单步预测案例涵盖甲氨蝶呤、甜菊苷、滴滴涕（DDT）、双氯芬酸葡萄糖醛酸苷和染料木素五类分子，GUTchetp均成功预测了正确代谢产物。多步预测案例中，柳氮磺吡啶、奥沙拉嗪和巴柳氮的完整代谢路径均被准确重建。

**4. 讨论与结论**
讨论部分指出，GUTchetp的优势在于：集成35个基础模型的混合架构显著提升产物预测质量；自适应预测代理在保持性能的同时大幅降低计算成本；基于展开反应的大规模相似性矩阵和随机森林分类器有效提高了酶预测精度；重排序规则整合酶分类一致性和化学相似性，显著优于单一策略；HGRESC目录为酶-物种关系的大规模探索提供了资源。局限性包括：Top-1预测准确率相对较低，部分归因于4644种肠道物种的代谢多样性和复杂性；对特定反应子集（如高底物-产物相似度反应、小分子质量变化等）预测性能下降；三级EC分类因类别不平衡导致WAF1仅60.15%，被排除在最终模型之外；包含多个产物的反应展开可能引入标签歧义；重排序权重和截断参数基于有限反应确定，存在数据集特定偏差；模型无法区分是否发生生物转化；多步通路预测能力尚未充分验证；HGRESC中部分反应和酶数据缺乏对应微生物物种注释。
研究结论为：GUTchetp框架通过整合单语和多语言神经机器翻译模型、混合微调策略、自适应数据增强和基于酶分类一致性与反应相似性的重排序规则，实现了对肠道微生物生物转化产物及相关酶和物种的准确联合预测。在两个独立基准数据集上的系统评估表明，GUTchetp在产物翻译质量、核心分子结构保留和酶-物种识别方面均显著优于现有方法，能够准确预测68.42%的已知肠道微生物生物转化谱。该框架为预测个性化肠道微生物组代谢药物、营养素和环境化学物的能力提供了可靠的计算平台，有助于在实验验证前生成可检验的假设并确定优先研究对象，对微生物组-药物和微生物组-外源物质相互作用研究具有重要应用价值。