数据构建和预处理
构建用于训练和评估的质粒序列-文本对数据集。
从PIPdb、IMG/PR、PLSDB收集质粒序列，排除大于250kb的megaplasmids，共1,521,635个质粒；使用Prodigal识别CDS并翻译蛋白，进行UniRef90聚类以减少冗余；手动注释或扩展文本属性，构建10个facets的词汇表；采用PSC划分训练、验证、测试集。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
PlasRAG：通过序列-文本对齐实现全面的质粒表征与检索
PlasRAG: comprehensive plasmid characterization and retrieval through sequence-text alignment
实验完整度
高包含多模态模型构建、消融实验、与SOTA工具对比、案例研究及真实数据集验证，证据层级多样且包含功能验证。
主要模型
质粒序列数据集（统一数据库整合） 质粒系统（PS）数据集（来自人类肠道宏基因组）
重点核对
训练/验证/测试集划分采用PSC规则（ANI>76%），确保序列差异性 质粒来源：PIPdb、IMG/PR、PLSDB三个数据库，排除大于250kbp的质粒 序列编码：使用Prodigal识别CDS，ESM-2（650M）编码蛋白质，最大300个蛋白质 文本编码：MedCPT QEnc（110M），冻结参数，预计算并存储文本嵌入 训练超参数：学习率2e-4，批次大小2048，训练20轮，在单块NVIDIA A100 80GB上
摘要
质粒在多药耐药和致病菌的出现中起着关键作用，带来了显著的临床挑战。然而，快速增长的未注释质粒数量需要对其多种特性进行全面表征。在此，我们提出了PlasRAG，一种整合了查询质粒多面特性表征和基于文本查询的质粒DNA检索的工具。PlasRAG采用双向多模态信息检索模型，将DNA序列与文本数据对齐，有效克服了传统方法的局限性。严格的实验表明，PlasRAG提供了稳健的性能和增强的分析能力，凸显了其架构设计的有效性。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 如何利用多模态学习实现质粒的全面表征和基于文本的质粒检索？
- 核心机制
- 采用双向多模态对比学习，将质粒DNA序列特征与文本属性注释对齐，训练序列编码器和文本编码器，实现序列到文本的表征和文本到序列的检索。
- 主要证据
- 在三个大型质粒数据库（PIPdb、IMG/PR、PLSDB）上训练，消融实验表明Perceiver Resampler和MedCPT组合最佳，在10个特性面中F1得分最高；与MOBFinder的对比显示在Mobility任务上显著优于后者。
- 研究意义
- PlasRAG提供了集成的质粒分析框架，支持跨十个生物学重要特性面的序列到文本表征和文本到序列检索，促进了质粒的快速发现、生态分析和比较研究。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
多模态模型训练
训练10个facets的序列-文本对比学习模型。
使用ESM-2编码蛋白质，生成序列特征；使用MedCPT QEnc编码文本；训练Perceiver Resampler作为序列编码器，通过对比损失优化序列和文本嵌入；文本编码器参数冻结，仅训练Perceiver Resampler。
消融实验和基准测试
验证模型组件选择的有效性。
通过更换序列编码器（Transformer, Bi-LSTM, RNN, CNN）和文本编码器（Qwen3-8B, BioMedBERT, Llama-3, Word2Vec, text-free）进行对照实验，评估F1和P@1000；与BLASTN比对方法对比。
S2T表征案例研究
展示PlasRAG在查询质粒上生成全面、准确描述的能力。
输入质粒序列（如pOLA52），PlasRAG预测10个特性，检索相关文献，并通过LLM生成综合答案；进行生成结果与原始摘要的比较。
T2S检索案例研究
评估基于布尔查询的质粒检索性能。
使用10个facets的属性文本构建逻辑表达式，从候选质粒集合中筛选满足条件的质粒；计算召回率和精确率。
生态系统分析
验证PlasRAG在揭示新型质粒生态学见解方面的能力。
将PlasRAG应用于PlasX PS数据集，对1,169个质粒系统（PS）进行特性预测，比较backbone和compound质粒的特性纯度、风险指数分布、宿主范围与ARGs的关系。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
序列特征提取
文本特征提取
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 基因识别 | Prodigal | -- | -- |
| 序列特征提取 | ESM-2 | -- | ESM-2650M |
| 文本特征提取 | MedCPT QEnc | -- | BioMedBERT110M |
| 训练硬件 | NVIDIA A100 80GB GPU | NVIDIA | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据构建 | 质粒数据库来源及版本（PIPdb、IMG/PR、PLSDB）；质粒数量及排除规则（>250kb）；训练/验证/测试集划分方法（PSC, ANI>76%）；蛋白聚类标准（UniRef90, MMseqs2） 阅读提示：Material and methods: 'Plasmid sequence data' and 'Property text data' |
| 多模态模型训练 | 序列编码器（Perceiver Resampler）和文本编码器（MedCPT QEnc）的具体配置；训练超参数（学习率2e-4, batch size 2048, epochs 20, warm-up 0.1）；损失函数（STP loss, 温度参数eα） 阅读提示：Material and methods: 'Model training' |
| 模型评估 | 评估指标（F1-score, P@1000）的具体计算公式；使用的测试集；进行多次运行以计算标准差 阅读提示：Material and methods: 'Metrics' |
| S2T表征 | LLM类型（Llama-3）和温度参数（0.2）；检索阈值θ；提示模板的具体内容 阅读提示：Additional file 1 |
| T2S检索 | 查询条件的构建规则（布尔表达式）；检索阈值θ；候选质粒集合的来源 阅读提示：Results: 'Case study of T2S plasmid retrieval' |