基于序列的表示与Pfam结构域内容用于生物合成基因簇检索

检索与已知产物生产者相关的BGC，可视为一种表征学习目标。我们假设，基于ESM-2序列导出的BGC表征能够在Pfam结构域内容度量之外进一步提升检索效果。我们的工具包如下：组别互斥的训练、验证和测试划分，验证集冻结的模型选择，[fi]ve个随机种子，以及家族层面的配对推断。在来自182个去冗余Streptomyces griseus基因组登录号的6,953个atlas BGC中，5,325个银标注BGC被划分为98个训练、21个验证和21个测试参考组。在测试参考组中，有16组符合检索诊断条件。Pfam Jaccard的Recall@50得分为0.8788，而Pfam增强的BGC-SetNet得分为0.8472。ESM与Pfam增强的BGC-SetNet组合得分为0.8769。加权Pfam Jaccard获得了略高的0.8789分，与未加权Pfam accard相比差异可以忽略不计。我们的结果并不支持以下主张：在该基准上，序列导出的表征能够恢复替代性生物合成通路。相反，显式Pfam仍然是这一目标的主要信号。我们的结果界定了实现更稳健生物学测试所必需的数据整理与通路层面验证流程。

检索与已知生产者相关的BGC，可被视为一种表征学习目标。我们假设，来源于ESM-2序列的BGC表征，相较于基于Pfam结构域内容的度量，能够进一步提升检索效果。我们的工具体系如下：组间互斥的训练、验证和测试划分；冻结验证集的模型选择；五个随机种子；以及家族层面的配对推断。

在来自182个去冗余Streptomyces griseus基因组登录号的6,953个atlas BGC中，5,325个银标注BGC被划分为98个训练参考组、21个验证参考组和21个测试参考组。在测试参考组中，16组符合检索诊断分析条件。Pfam Jaccard的Recall@50得分为0.8788，而Pfam增强的BGC-SetNet得分为0.8472。ESM与Pfam增强BGC-SetNet的组合得分为0.8769。加权Pfam Jaccard获得了略高的0.8789分，但与未加权Pfam Jaccard相比差异可忽略不计。

我们的结果并不支持这样一种主张：在该基准上，来源于序列的表征能够恢复替代性生物合成途径。相反，对于这一目标，显式Pfam仍然是主要信号。我们的结果界定了开展更稳健生物学测试所必需的数据整理与通路层面验证流程。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.21.746127v1?rss=1

🏷️ 生物合成基因簇 序列表征 Pfam结构域 检索评估 Streptomyces griseus