PhaLP 2.0: extending the community-oriented phage lysin database with a SUBLYME pipeline for metagenomic discovery
Notice bibliographique
Résumé
Abstract As biology becomes increasingly data-driven, so too does the field of phage lysins, enzymes that degrade bacterial cell walls and hold promise as alternatives to traditional antibiotics. Five years ago, we introduced PhaLP, a centralized resource for Pha ge L ytic P rotein sequences and associated metadata to support global research efforts. Here, we present PhaLP 2.0, a significantly enhanced database designed to overcome key challenges in the computational study of lysins by integrating newly identified lysins obtained from thousands of metagenomes. To expand the known diversity of lysins beyond those from cultured phages, we developed SUBLYME, a protein embedding-based machine learning S oftware designed to U ncover and classify B acteriophage Ly sins in Me tagenomic datasets. Using embeddings derived from the prior well-curated protein sequences of the original PhaLP database, we trained support vector machines to distinguish lysins from non-lysins in viromes and classify them as either endolysins or virion-associated lysins. The models achieved an average F1-score of 98% on held-out lysin clusters. SUBLYME enabled the discovery of 743,000 new lysin sequences from EnVhogDB, a virome-derived protein database, increasing the number of known lysin clusters by a factor of 40, from 1,000 to 40,000. PhaLP 2.0 entries were annotated by integrating Pfam functional predictions to the refined delineations obtained with SPAED, an algorithm that leverages the predicted aligned error matrix from AlphaFold predictions to identify domain boundaries. Both SUBLYME and the PhaLP 2.0 database are accessible online at https://github.com/Rousseau-Team/sublyme and http://phalp.ugent.be , respectively. Together, these advances establish PhaLP 2.0 as a comprehensive and scalable portal for the discovery, classification, and sequence analysis of phage lysins, paving the way for future antibacterial applications and evolutionary insights. Abstract Figure
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».