病原体鉴定在诊断，治疗和预防疾病中至关重要，对于控制感染和保护公共卫生至关重要。传统的基于对准的方法虽然广泛使用，但在计算上是强度的，并且依赖于广泛的参考数据库，由于其低灵敏度和特异性，通常无法检测到新颖的病原体。同样，传统的机器学习技术虽然有希望，但需要大量的注释数据集和广泛的功能工程，并且容易过度拟合。解决这些挑战时，我们引入了Patholm，这是一种优化的病原体语言模型，以鉴定细菌和病毒序列中的致病性。利用预先训练的DNA模型（例如核苷酸变压器）的优势，Patholm需要最小的数据以进行微调，从而增强了病原体检测能力。它有效地捕获了更广泛的基因组环境，从而显着改善了新颖和发散病原体的鉴定。我们开发了一个全面的数据集，其中包括大约30种病毒和细菌，包括埃斯卡皮病原体，七种抗抗生素耐药性的毒性菌株尤其是毒性。此外，我们策划了一个以Eskapee组为中心的物种分类数据集。在比较评估中，Patholm极大地胜过现有模型，例如DCIPATHO，表现出强大的零射击和很少的功能。此外，我们扩大了埃斯卡皮物种分类的Patholm-s-sp，尽管任务的复杂性，但与其他先进的深度学习方法相比，它表现出了优越的性能。