《Advanced Science》：MicrobeDiscover: A Knowledge Graph–Enabled AI Framework for Identifying Microbes for Inorganic Nanomaterial Biosynthesis
编辑推荐：
本文提出了一种知识图谱赋能的AI框架MicrobeDiscover，通过整合微生物学与材料科学的多源异构数据，成功解决了微生物合成纳米材料（NMs）筛选效率低下的瓶颈。该框架构建了包含415种已报道微生物和87种NMs的知识图谱，利用混合神经网络模型实现了潜在合成微生物的高效预测（Top20预测成功率80.77%），并实验验证了其指导下的三金属纳米材料（如AuPdPt）生物合成能力，为绿色纳米材料开发提供了新范式。
研究背景与挑战
传统纳米材料合成方法存在高能耗、污染严重等问题，而微生物合成作为一种环境友好型策略，在可持续纳米技术中展现出巨大潜力。然而目前仅探索了约400种微生物与90种纳米材料的组合，仅触及巨大理论潜力的表面。研究方法的经验性和试错性特征严重制约了筛选效率，且微生物-材料相互作用的复杂机制研究匮乏（仅68篇机制研究论文），亟需跨学科智能解决方案。
MicrobeDiscover框架设计
该框架由知识图谱构建和微生物预测两大模块构成。通过专家标注536篇文献构建包含21个类别的本体论，整合NCBI微生物系统发育数据和材料元素属性，利用大语言模型（LLM）进行数据对齐增强，最终形成包含12,558种潜在微生物的知识网络。预测模块采用BERT-RGCN混合架构，通过语义模块获取实体嵌入表示，图模块捕捉跨域关联，融合模块计算微生物-纳米材料节点相似度得分，采用近似平均倒数排名损失（ApproxMRRLoss）进行优化。
知识图谱架构特色
知识图谱采用"类层级-实例层级"双结构：元素（Element）分为金属/非金属，微生物按属/种分级，材料与合成方法作为独立类。实例层面通过rdf:type关联实体（如Pt元素、希瓦氏菌菌株），虚线边表示材料元素组成等关系。图谱定量分析显示：厚壁菌门（Firmicutes）、假单胞菌门（Pseudomonadota）和真菌是真菌是研究最集中的类群，银（Ag）和金（Au）是研究最多的金属元素，LLM补充的十大合成机制中氢化酶（Hydrogenase）等关键酶系统被识别。
模型性能验证
在时序分割测试（2019年前后数据为训练/测试集）中，MicrobeDiscover在MRR（0.2244）、HITS@10（0.4295）和HITS@20（0.8077）指标上均显著优于对比模型（GCN、GAT、BERT等）。消融实验证明LLM增强数据使HITS@20提升12.4%。预测案例显示：希瓦氏菌（Shewanella oneidensis）MR-1在三金属纳米材料合成潜力排名第一，Pantoea agglomerans ATCC 27155在未报道菌株中潜力最高。
实验验证突破
指导希瓦氏菌MR-1成功合成AuPdPt三金属纳米材料，SEM-EDS mapping显示元素均匀分布，HR-TEM显示0.229纳米晶格间距，SAED证实面心立方结构。Pantoea agglomerans ATCC 27155成功合成PtPdAg三金属材料，而预测潜力最低的Aspergillus carbonarious CICC 2215实验确证仅能合成单金属金纳米颗粒。通过整合NCBI的12,558种微生物系统发育数据，发现三金属合成能力在藻类（Sargassum）等特定类群中显著聚集，暗示该性状可能具有系统发育保守性。
应用拓展与平台建设
开发在线平台（catalystdeveloper.sciwiki.cn/m2m）实现微生物-材料关联检索，支持三类应用场景：具备批量实验能力的团队可直接验证Top20推荐菌株；拥有特定菌种的团队可针对性验证高概率纳米材料；针对目标纳米材料可快速筛选最优微生物。框架可扩展至可降解塑料等生物材料合成领域。
局限与展望
当前框架尚未整合基因层面信息，且知识库构建仍依赖专家资源。未来通过引入基因组尺度数据和多模态学习，有望进一步突破微生物生物合成的能力边界，为绿色制造提供更强大的智能设计工具。
