兼顧準確率與可解釋性，DeepSEA實現抗生素耐藥蛋白注釋范式轉變

傳統監測抗菌耐藥（AMR）常靠序列比對：有相似參考就能識別，沒有就白瞎了。這種「參考驅動」的策略一方面可靠，另一方面也很脆弱——數據庫里沒有代表性的參考序列，就很容易把真正的耐藥蛋白漏掉（假陰性）——尤其是當耐藥蛋白多樣性超出已知的參考范疇。

為此，巴西圣保羅大學（University of S?o Paulo）等的研究者訓練了一個卷積神經網絡（CNN）以區分抗微生物耐藥性蛋白和非耐藥性蛋白，將其命名為 DeepSEA。它的出發點很簡單：讓模型學會直接從原始氨基酸序列里識別耐藥「信號」，不要一直靠找近親。

經過研究后的 CNN 能夠對九種蛋白質類別進行分類，并且能夠將它們與非耐藥蛋白區分開來，召回率（真陽性/相關元素）超過 0.95。

相關研究內容以「DeepSEA: an alignment-free explainable approach to annotate antimicrobial resistance proteins」為題，于 2025 年 9 月 1 日發布在《BMC Bioinformatics》

論文鏈接：https://bmcbioinformatics.biomedcentral.com/articles/10.1186/s12859-025-06256-4

把「訓練樣本」和「非耐藥樣本」都擺干凈

研究以 NCRD95（從 CARD、SARG、ARDB 等整合并用同源搜索擴展的數據庫）做為抗性蛋白的主訓練源，并限制相似度為 95% 的版本來平衡代表性與重復性

非耐藥類（NonR）則從SwissProt的經人工審校子集里篩出約 191,535 個細菌蛋白，并用 CD-HIT 限制相似度，最終從中隨機抽取與訓練集無明顯比對的約 4600 條樣例作為 NonR，以避免類內不均衡導致模型學偏。

整個數據預處理對比對閾值、類別累積曲線與子類剔除都做了細致控制，目的是把「訓練集的偏見」降到最低。

圖 1：保留測試集上的分類報告。

DeepSEA 在多類耐藥注釋任務上表現非常亮眼，基于深度學習的方式在總體召回（recall）在文章中報告均顯著高于傳統基于比對的方法（recall > 0.95），也就是說它能把更多真實的耐藥蛋白「拽出來」而不是漏過去。

RGI與 AMRFinderPlus 在檢測對糖肽類（glycopeptides）耐藥蛋白時分別把 88% 和 79% 的這類蛋白誤判為「非耐藥」，而 DeepSEA 在同類任務中僅錯判 8 個 β-內酰胺耐藥蛋白為非耐藥，這直接說明了 DeepSEA 在減少假陰性方面的優勢。與復雜、預訓練巨模型 ESM2 的比較顯示，兩者性能相當，但 DeepSEA 的架構更輕、可解釋性更好。

圖 2：CNN 類集群。

在對外部數據庫 NDARO 的拓展驗證中，DeepSEA 也表現穩健：NDARO 中的 5959 條耐藥蛋白中 98% 被 DeepSEA 正確分類；對于那些不對齊（no-hit）的 233 條蛋白，DeepSEA 只錯判了 42 條。研究者據此判斷：只要訓練集中包含該耐藥「類」的示例，模型就能較好地泛化到序列相似度低的樣本上。

把 CNN 的「黑盒」掰開看內部火花

為了便于理解模型的內部表征，研究還把全局平均池化層的向量做 t-SNE 降維，并在 holdout 集中呈現出按功能類別聚簇的清晰圖景，這既是模型「學到類間差異」的證據，也為生物學家提供了探索新子類的線索。

DeepSEA 的直接用法很明確：在元基因組或未注釋基因組的注釋流程中，遇到「無比對」的蛋白序列時，傳統工具常判 「非耐藥」，但 DeepSEA 可以補上一把火，把那些結構/功能上雖與參考不同但卻能導致耐藥性的蛋白識別出來。

圖 3：CNN 模型可解釋性。

研究者建議將 DeepSEA 用作「再注釋」（reannotation）工具，或者作為注釋流水線里對比對方法的補充，從而降低漏報率。代碼與工具已開源放在 GitHub，方便整合到現有管道。

當然，DeepSEA 也有其局限性：如果訓練集中根本沒有某個耐藥子類的代表，模型仍難以識別；非耐藥類（NonR）內部信息極其雜亂，會導致對該類的精確率下降；模型可解釋性雖然做了較多工作，但并不能替代結構生物學或功能實驗的最終判定。

結論

扼要地說，DeepSEA 提供了一個不依賴嚴格序列比對、既能高召回又便于解釋的 AMR 蛋白注釋方案。它在減少假陰性上尤其有效，對低相似度樣本也能較好泛化；同時，它也將可解釋性做成了工程化的輸出，方便生物學家把「AI 的判斷」映射回已知的功能域或活性位點。

它不是想取代比對工具，而是把注釋生態從「只看相似度」擴展為「相似度+表征學習+可解釋性」的混合范式。若把 DeepSEA 同現有注釋鏈條并用，短期內能顯著提高耐藥蛋白的檢出率；長期來看，把它和結構/功能實驗聯動，能把「預測的可信度」再往上推一檔。