未培养微生物（Uncultured Microorganisms）占全球微生物多样性的99%以上，因无法进行实验室培养，其基础生理参数（如最适生长温度）长期缺失，成为制约微生物功能解析的关键瓶颈。通过宏基因组binning可以重建样本中未培养微生物的基因组（MAG），同时目前已有针对宏基因组MAG预测微生物培养条件的相关软件，如之前凌恩生物推出的Traitar软件分析（MAGs培养有线索了？宏组学中未培养微生物表型与培养条件预测），可以有效助力未培养微生物的研究。
本次，凌恩生物新推出个性化分析内容，宏基因组MAG/微生物基因组最适生长温度预测分析——TOME，通过TOME预测未培养微生物的最适生长温度，结合我们之前推出的Traitar软件分析，为后期的微生物培养组研究提供助力！
TOME（Temperature Optima for Microorganisms and Enzymes，https://github.com/EngqvistLab/Tome）是一种用于预测微生物最佳生长温度和酶催化最优的机器学习模型，使用的训练数据集包含5532个带有OGT注释的微生物数据（4974种细菌、222种古菌和337种真核生物），以及一个包含1438个未注释微生物的数据集。利用从一个生物体基因组编码的所有蛋白质中提取的特征来准确预测OGT。
主要有两方面的应用：
1. 从蛋白质组序列预测最佳生长温度；
2. 获取在给定EC编号或CAZy家族ID的指定范围内具有最佳温度的酶。
图 TOME机器学习模型构建过程[1]
25年发表在Microbiome[2]上文章，利用TOME对fani火山采集的样本组装得到的MAG进行了最适生长温度的预测，结果表明这些MAG最适生长温度在18至33°C之间。这种环境可能主要被中温微生物所定殖，这些微生物可能来自深海的中继栖息地（鲸鱼尸体或淹没的树林）以供化能合成微生物使用，也可能来自深海远端热液喷口、海底沉积物或冷渗漏区，或者仅仅是背景海水——它们可能作为种子库长期存在于其中。
图 fani火山样本微生物组成和系统发育树分析。系统发育树外圈显示门水平分类归属，中间热图标注为预测的微生物最适生长温度。
无需反复摸索实验条件，直接基于预测的菌株表型特征与适配培养条件，即可精准配置选择性培养基，实现目标菌株的高效分离培养！正在开展培养组学研究的老师，欢迎随时联xi，开启微生物分离培养的新征程！
参考文献
[1] Machine Learning Applied to Predicting Microorganism Growth Temperatures and Enzyme Catalytic Optima. ACS Synthetic Biology, 2019.
[2] Sulfur-rich deposits associated with the deep submarine volcano Fani Maoré support broad microbial sulfur cycling communities. Microbiome, 2025.
原文链接：https://pubs.acs.org/doi/10.1021/acssynbio.9b00099