PhADS：基于 prostT5 的双语多模态模型用于噬菌体抗防御系统注释

PhADS是由George-nsn开发的创新双语多模态模型，基于prostT5蛋白质语言模型构建，专门用于识别和注释噬菌体抗防御系统。该项目发布于2026年5月31日，源码托管在GitHub（链接：https://github.com/George-nsn/PhADS）。PhADS解决了传统生物信息学方法在噬菌体抗防御系统注释中面临的数据稀疏、跨物种泛化能力不足等挑战，为病毒学研究和生物技术应用提供新工具。

噬菌体是感染细菌的病毒，在生态系统和生物技术中扮演重要角色，尤其在抗生素耐药性问题突出的当下，噬菌体疗法成为研究热点。噬菌体与宿主细菌存在复杂的“军备竞赛”：细菌进化防御系统抵抗感染，噬菌体则发展抗防御系统突破防线。准确识别噬菌体基因组中的抗防御系统对理解噬菌体-宿主相互作用、开发噬菌体疗法及合成生物学工具至关重要，但传统方法面临数据稀疏、跨物种泛化能力不足等挑战。

PhADS（Phage Anti-Defense System annotator）是专门用于噬菌体抗防御系统注释的双语多模态深度学习模型。其核心创新在于将prostT5蛋白质语言模型与多模态学习框架结合，实现高精度识别与注释。prostT5是基于Transformer架构的蛋白质语言模型，能捕捉序列的进化信息和功能模式，PhADS通过微调该模型，使其针对噬菌体抗防御系统特征优化。

双语模型设计

PhADS采用双语架构，可同时处理蛋白质序列信息和文本注释信息，既识别序列特征，又理解生物学功能与分类。

多模态融合

整合三类生物学数据：

1. 序列模态：处理噬菌体基因组的核苷酸和蛋白质序列
2. 结构模态：利用prostT5对蛋白质结构的隐式编码能力
3. 注释模态：整合已有功能注释和分类信息

基于prostT5的表示学习

prostT5通过自监督学习从数百万蛋白质序列中获取进化信息，PhADS以其预训练权重为起点，通过迁移学习将通用蛋白质知识迁移到抗防御系统任务，减少标注数据依赖，提升泛化能力。

噬菌体基因组注释

自动化注释新测序噬菌体基因组的抗防御系统，助力研究人员快速识别关键基因，支持噬菌体分类、功能研究和进化分析。

噬菌体疗法开发

指导噬菌体菌株选择与优化，预测治疗效果和宿主范围，对噬菌体疗法开发至关重要。

合成生物学设计

帮助设计具有特定抗防御能力的人工噬菌体或质粒，应用于基因治疗、生物控制等领域。

PhADS代表AI在病毒学研究的重要应用方向，将大型蛋白质语言模型应用于特定病毒学问题，展示深度学习在生物信息学的潜力，为类似研究提供方法论参考。其双语多模态设计思路可推广到抗生素抗性基因识别、毒力因子预测等任务，加速生物医学研究数字化进程。

PhADS未来发展方向包括：

• 整合更多实验验证数据，提升预测可靠性
• 开发交互式可视化工具，帮助理解模型预测结果
• 扩展到其他病毒-宿主相互作用研究
• 与实验室自动化系统结合，实现计算预测到实验验证的闭环 PhADS有望推动噬菌体研究从实验驱动向数据驱动范式转变。