李靖|姜涛等利用深度学习预测奥密克戎等新冠变异病毒对...
本帖最后由 hantavirus 于 2022-4-15 10:58 编辑评估新冠变异株的流行潜力和对人适应性是新冠防控的重点和难点。军事医学研究院微生物流行病研究所的病原监测团队目前在Briefings in Bioinformatics发表了题为 “Deep learning based on biologically interpretable genome representation predicts two types of human adaptation of SARS-CoV-2 variants” 的文章，基于病毒S蛋白的二核苷酸组成性表征（DCR），建立了一套卷积神经网络（CNN）的深度学习模型来预测新冠病毒对人适应性，可以对新冠变异株进行实时预测。
研究团队在前期研究（Mol Biol Evol, 2020）基础上，提出了更精细的DCR表征方法，把病毒基因信息表征到DCR组成性空间（图1A）来分析病毒的宿主适应性。DCR在单链RNA病毒科（冠状病毒、正粘病毒、披膜病毒、布尼亚病毒、丝状病毒和黄病毒）上具有良好的线性性和可分性（图1B）。
图1 DCR表征方法及其在多种病毒上的可分性和线性性
病毒聚合酶蛋白和膜S蛋白的DNT和DCR分布与病毒宿主适应性密切相关（图2A）；基于DCR建立卷积神经网络预测模型，训练后的DCR全连接层可以将冠状病毒按适应性次序区分开来（图2B）。
图2病毒DCR与其宿主适应性密切关联，经CNN训练后按适应类型次第分布
作者基于新冠以外的已有冠状病毒的DCR构建了CNN预测模型，对新冠变异株进行适应性预测。结果表明，WHO命名的Alpha变异株为高致病性、弱传播性的I类适应，而Beta、Delta、Gamma等变异株为低致病性、高传播性的II类适应。截止到文章投稿的157株高质量奥米克戎变异株序列，94.27%被预测为II类适应（图3）。
图3 Omicron变异株对人适应性预测
综上，本研究为RNA病毒的基因组特征解析提供了一种新的表征方法，并基于DCR的CNN深度学习模型来评估新发病毒的流行风险。模型能够为频繁出现的新冠变异株提供实时预测，促进当前COVID-19大流行的控制。
该研究由军事医学研究院微生物流行病研究所独立完成，李靖副研究员、吴亚男助理实验师和张森助理研究员为论文共同第一作者，李靖副研究员和姜涛研究员为论文共同通讯作者献。该研究得到国家自然科学基金项目（No. 32070166）资助。
李靖副研究员及其小组主要采用“人工智能+实验验证”的干湿结合策略从事病毒基因组的人工智能解析，预测并验证病毒基因型与其适应性、致病性等表现型的因果关系。课题组拟招收从事“实验验证”工作科研助理，欢迎感兴趣的相关专业硕士毕业生加入团队，来函咨询，lj-pbs@163.com（李靖）。
原文链接：Jing Li, Ya-Nan Wu, Sen Zhang, Xiao-Ping Kang, Tao Jiang. Deep learning based on biologically interpretable genome representation predicts two types of human adaptation of SARS-CoV-2 variants. DOI: https://10.1093/bib/bbac036.
参考文献： Li Jing, Zhang Sen, Li Bo et al. Machine learning methods for predicting human-adaptive influenza A viruses based on viral nucleotide compositions, Molecular Biology and Evolution 2020; 37: 1224-1236. DOI: https://10.1093/molbev/msz276. 我会细细研读的。
页:
[1]