細(xì)菌跟噬菌體打了三十多億年的仗，怎么可能就靠這兩百來種武器？事實是，每次有人認(rèn)真去篩，總能發(fā)現(xiàn)新東西。最近一篇發(fā)表在Science上的工作干脆用深度學(xué)習(xí)把這個問題推到了極限，他們訓(xùn)練了三個互補模型，在3.2萬個細(xì)菌基因組里掃了一遍，預(yù)測出超過2百萬個抗噬菌體蛋白，其中85%以上的蛋白家族從未被任何研究關(guān)聯(lián)到免疫上。

換句話說，我們對細(xì)菌免疫的了解，可能只是冰山浮出水面的那一小塊。

研究背景與目的

抗噬菌體防御系統(tǒng)有個讓人頭疼的特點：它們不怎么保守。不同細(xì)菌對付同一種病毒，可能拿出完全不同的蛋白質(zhì)零件。這種多樣性一方面說明自然界解決問題的方案遠(yuǎn)比實驗室里看到的豐富，另一方面也讓傳統(tǒng)的“靠同源性找基因”的方法頻頻失靈。

過去十年，研究者發(fā)現(xiàn)了一個規(guī)律：防御系統(tǒng)喜歡扎堆出現(xiàn)在基因組的特定區(qū)域，叫“防御島”。這就催生了一種“連帶定罪”策略：如果一個基因經(jīng)常出現(xiàn)在已知防御基因旁邊，那它很可能也有防御功能。這個方法確實管用，過去五六年發(fā)現(xiàn)的系統(tǒng)大多靠這個思路。

但它的局限也很明顯：只認(rèn)熟面孔附近的人，對那些單打獨斗或者藏在病毒基因組里的防御系統(tǒng)，基本抓瞎。而且它需要一個蛋白家族至少有5個同源序列才能算，直接把大量“孤兒蛋白”排除在外。所以這篇文章的作者換了個思路：不靠規(guī)則，靠模式識別。

三款模型，三種視角

他們搞了三套深度學(xué)習(xí)模型，每一套的“偏見”不一樣。

第一個叫ALBERTDF，是個基因組語言模型。你可以把它想象成一個學(xué)會了細(xì)菌“語法”的模型，給它看一段連續(xù)64個基因的序列，它要預(yù)測中間缺了哪個基因。訓(xùn)練完之后，再拿它去判斷一個基因出現(xiàn)在某個上下文里是不是“可疑”（也就是像不像防御基因）。這個模型的優(yōu)點是不看序列，所以哪怕一個蛋白長得跟所有已知防御系統(tǒng)都不像，只要它總出現(xiàn)在防御島里，模型就能抓到。缺點是詞匯量太大，整個細(xì)菌界的蛋白家族有800多萬個，模型根本裝不下，所以他們只在一個門（放線菌門）上跑了這個實驗。結(jié)果在10個預(yù)測的系統(tǒng)里驗證了6個，全是之前沒人知道有抗噬菌體功能的。

第二個叫ESMDF，思路完全反過來。它用的是蛋白語言模型ESM2，輸入是一串氨基酸，輸出是這個蛋白“像不像防御蛋白”。這種模型天然能捕捉遠(yuǎn)程同源關(guān)系，兩個蛋白序列相似度很低，但三維結(jié)構(gòu)或功能域有共性，ESM也能感受到。他們拿32萬個基因組里的已知防御系統(tǒng)做正樣本，拿核心看家基因和移動元件里的非防御基因做負(fù)樣本，然后把模型微調(diào)成二分類器。650M參數(shù)的大版本在測試集上表現(xiàn)不錯，尤其讓人意外的是，哪怕那些在訓(xùn)練集里幾乎沒出現(xiàn)過的防御亞型（比如某些罕見的逆轉(zhuǎn)錄子），模型也給打了高分。

但最厲害的是第三個，GeneCLRDF。它是個雙通道模型，同時看兩樣?xùn)|西：一個通道讀蛋白的氨基酸序列（用ESM-35M的預(yù)訓(xùn)練嵌入），另一個通道讀這個蛋白周圍的64個基因的上下文。訓(xùn)練目標(biāo)很巧妙：讓模型學(xué)會把同一個蛋白的“序列視圖”和“上下文視圖”拉近，把不同蛋白的視圖推開。換句話說，模型被教會了一件事：一個蛋白長什么樣，應(yīng)該跟它住在基因組哪個位置是一致的。

這個設(shè)計的好處顯而易見：如果一個蛋白的序列看起來不像任何已知防御系統(tǒng)，但它的鄰居全是防御基因，模型就能通過上下文通道給它打高分；反過來，如果一個蛋白的序列特征很像防御蛋白，但被塞進(jìn)了一個看家基因的上下文里，模型也不會輕易上當(dāng)。在測試集上，GeneCLRDF做到了99%的精確率和92%的召回率，這意味著每100個被標(biāo)記為“防御蛋白”的基因里，只有1個是假陽性；而所有真正的防御蛋白里，它能抓住92%。

驗證：六個新系統(tǒng)從紙上走進(jìn)培養(yǎng)皿

兩輪實驗驗證了20個候選系統(tǒng)，其中12個具有真實的抗噬菌體功能。

第一輪在放線菌中測試ALBERTDF的預(yù)測：10個候選里有6個有效，在Streptomyces albus中表達(dá)后使噬菌斑下降超過100倍。研究者給它們?nèi)×薈eres、Ukko等名字，其中既有帶核酸酶結(jié)構(gòu)域的蛋白，也有僅幾十個氨基酸、功能完全未知的小蛋白。

第二輪在大腸桿菌中測試ESM-650MDF的預(yù)測：同樣是10個候選6個有效，包括一個攜帶DUF7946結(jié)構(gòu)域的系統(tǒng)，沒有任何已知防御同源物，卻能同時抵抗長尾、肌尾、短尾三類噬菌體。

這些結(jié)果證明，模型學(xué)到的不是統(tǒng)計噪音，而是可實驗復(fù)現(xiàn)的真實生物學(xué)功能。

全景圖：1.5%的基因組，85%的未知家族

將GeneCLRDF應(yīng)用于3.2萬個細(xì)菌基因組后，繪制出一張全新的免疫地圖。此前估計細(xì)菌約0.46%的基因為防御相關(guān)，新模型將這一比例拉高至1.53%，整整三倍。

多樣性更為驚人：三個模型共預(yù)測61.5萬個防御相關(guān)蛋白家族，其中93%僅能被GeneCLRDF識別。超過40萬個家族沒有任何Pfam結(jié)構(gòu)域注釋，連功能猜測都無從下手，是真正的“暗物質(zhì)”。操作子層面，2.3萬個家族中超一半與任何已知防御系統(tǒng)無關(guān)。

此外，新預(yù)測顯示防御系統(tǒng)與可移動遺傳元件的關(guān)聯(lián)更強（23.5% vs 之前的17.7%），約25%的整合子基因被標(biāo)記為防御相關(guān)——細(xì)菌免疫系統(tǒng)是一個動態(tài)、流動的網(wǎng)絡(luò)，而非靜態(tài)防線。

總結(jié)

這項工作的價值不在于刷了幾個深度學(xué)習(xí)模型的分?jǐn)?shù)，而在于它把“我們不知道細(xì)菌免疫到底有多復(fù)雜”這件事變成了一個可度量的、可操作的問題。61萬個蛋白家族、2.3萬個操作子家族、1.5%的基因組占比。這些數(shù)字給了一個明確的信號：過去三十年我們描述的那些系統(tǒng)，可能只是冰山浮出水面的尖尖。

當(dāng)然，預(yù)測歸預(yù)測。一個基因被模型打了高分，不代表它一定就是抗噬菌體的；即便它是，也不代表我們知道了它的機制。接下來要做的，是從這幾十萬個候選里挑出有意思的，一個個拿到實驗室里去驗證、去拆解、去搞清楚它到底怎么工作。

好在作者把一切都開源了：分?jǐn)?shù)、操作子家族、交互式圖譜，全部掛在DefenseFinder網(wǎng)站上。你不需要會寫代碼，也不需要懂深度學(xué)習(xí)，只要有一個感興趣的基因組或者一個好奇的結(jié)構(gòu)域，就可以去里面翻一翻，說不定下一個被命名的防御系統(tǒng)就藏在里面。

來源：Mordret E, Hervé A, et al. Protein and genomic language models uncover the unexplored diversity of bacterial immunity. Science. 2026 Apr 2;392(6793):eadv8275. doi: 10.1126/science.adv8275.

主編微信

注：添加微信請備注昵稱+單位+研究

微信學(xué)科討論群：病毒學(xué)群，神經(jīng)科學(xué)群、臨床醫(yī)學(xué)、腫瘤學(xué)科群、碩博交流群和醫(yī)藥投資交流群（微信群審核要求較高，請各位添加主編后主動備注單位研究方向）