arXiv cs.AI· Liangjun Ge, Qiandi Gao, Haiming Xu, Zhiwei Qin, Heqian Zhang·· 1 天前AI 评分38
深度学习引导的发现揭示环境β-内酰胺酶的多样性与突变潜力
Deep learning-guided discovery reveals the diversity and mutational potential of environmental beta-lactamases
AI 导读
研究结合蛋白质语言模型（PLMs）与集成学习，从环境宏基因组中鉴定出超过 46,000 个覆盖全部四个 Ambler 类的潜在β-内酰胺酶，广泛分布于多种栖息地。与已知β-内酰胺酶序列一致性约 30% 的候选酶在大肠杆菌中表达后可赋予多种β-内酰胺类抗生素抗性。结合反向折叠模型与 PLMs 进一步识别出改变抗性谱的突变，包括增强碳青霉烯类抗性的替换。
正文 · AI 翻译
摘要：β-内酰胺酶是细菌对β-内酰胺类抗生素产生耐药性的主要机制；然而，其在环境微生物群落中的功能多样性和突变潜力仍仅被部分了解。本研究旨在表征环境β-内酰胺酶的多样性，并探究序列变异如何影响抗生素耐药性。通过将蛋白质语言模型（PLMs）与集成学习相结合，我们从环境宏基因组中鉴定出超过 46,000 个推定的β-内酰胺酶，覆盖全部四个 Ambler 类别，广泛分布于多种生境，且具有与生境相关的类别组成差异。与已知β-内酰胺酶序列同一性约为 30% 的候选酶在大肠杆菌中表达时，可赋予对多种β-内酰胺类抗生素的耐药性。将逆向折叠模型与 PLMs 相结合，进一步鉴定出可改变耐药谱的突变，包括增加对碳青霉烯类耐药性的替换。预测的高适应度位点总体上表现出更大的自然序列变异性，且源自废水的酶比源自海洋的酶变异性更高。这些发现揭示了环境微生物组中尚未被充分表征的β-内酰胺酶多样性及显著的突变灵活性，为研究其对抗生素耐药性多样化的潜在贡献提供了基础。
| 学科： | 基因组学（q-bio.GN）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.14568 [q-bio.GN] |
| （或本版本的 arXiv:2611.14568v1 [q-bio.GN]） | |
| https://doi.org/10.48550/arXiv.2611.14568 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Qiandi Gao [查看邮箱]
[v1]
2026年11月9日星期一 14:29:14 UTC（9,098 KB）
来源：arXiv cs.AI · arxiv.org