GXQ-Create：多模态病毒宿主预测工具，融合基因组特征与蛋白质语言模型

GXQ-Create是一款创新的多模态病毒宿主预测工具，结合k-mer基因组特征与ESM-2蛋白质语言模型，采用晚期融合SVM架构，在真核生物宿主预测中达到96.4%的交叉验证准确率。该工具对预防病毒跨物种传播、评估新发传染病风险具有重要价值。

理解病毒与宿主的相互作用是病毒学和传染病研究核心，准确预测潜在宿主范围对预防跨物种传播意义重大。传统方法依赖基因组同源性比对，但面对新型或快速进化的RNA病毒效果有限。近年来深度学习技术为更智能的预测方法提供了可能。

双模态特征提取

1. k-mer基因组特征：提取病毒基因组k-mer频率特征，反映基因组组成与进化模式，计算简单、鲁棒性强。 2. ESM-2蛋白质语言模型：引入Meta AI的ESM-2模型，通过预训练海量蛋白质序列获得高维嵌入，捕捉蛋白质进化、结构与功能信息。

晚期融合架构

采用晚期融合策略：独立编码两种模态特征→拼接形成联合表示→输入SVM分类器预测宿主。该架构避免特征冲突，SVM泛化能力与可解释性较好。

数据集与评估

针对真菌、藻类、原生动物、植物、无脊椎动物等真核宿主训练测试，采用交叉验证评估，平均准确率达96.4%。

性能优势原因

• 互补模态信息：k-mer（宏观基因组模式）与ESM-2（微观蛋白质功能）相互补充；
• 生物学先验：ESM-2预训练蕴含进化知识；
• 适当复杂度：SVM在小样本生物数据中不易过拟合。

• 新发传染病监测：快速预测未知病毒潜在宿主，助力风险评估与防控；
• 病毒进化研究：追踪宿主适应进化，理解跨物种传播机制；
• 农业病害防控：识别高风险病毒，减少农业损失；
• 生物安全评估：评估改造病毒的宿主范围变化，支持生物安全审查。

代码已在GitHub开源，使用Python实现，依赖Biopython（序列处理）、PyTorch（ESM-2运行）、scikit-learn（SVM训练）、NumPy/Pandas（数据处理）。使用流程：准备FASTA序列→提取k-mer与蛋白质嵌入→SVM推理→查看预测结果与置信度。

• 扩展宿主范围至原核生物（细菌、古菌）；
• 整合病毒三维结构、宿主受体表达数据等更多模态；
• 探索端到端深度学习（图神经网络/Transformer）减少手工特征工程；
• 集成到病原体监测平台实现实时预警。

GXQ-Create结合传统生物信息学方法与现代深度学习技术，在病毒宿主预测任务中表现优异。其开源代码为计算生物学、病毒学及AI for Science研究提供参考，助力解决病毒学重要问题。