vir2vec: ゲノムワイドなウイルス埋め込み

科学分野:

• ゲノミクス
• バイオインフォマティクス
• 機械学習

背景:

• ゲノム言語モデル（gLM）はDNA分析に有望ですが、ウイルス固有のアーキテクチャとベンチマークが不足しています。
• 既存のモデルは、ヒトDNAまたは限定的なウイルスデータセットに焦点を当てることがよくあります。
• ウイルスゲノム表現学習のための包括的な評価フレームワークが必要です。

研究 の 目的:

• 大規模なゲノム言語モデルであるvir2vecを、多様なパンウイルスコーパスで事前トレーニングして紹介します。
• ウイルスゲノムの理解と表現学習を評価するための統一されたベンチマークであるvGUEを提示します。
• さまざまなウイルスゲノム予測タスクにおけるvir2vecのパフォーマンスを評価します。

主な方法:

• 565,747の完全なウイルスゲノム（295種）を対象にMistral-DNAの継続的な事前トレーニングを行い、vir2vec（4億2200万パラメータ）を作成しました。
• vir2vec埋め込みを分類子（ロジスティック回帰、SVM、ランダムフォレスト）に供給するベンチマークvGUEを開発し、ネストされたクロスバリデーションで評価しました。
• 生物識別、進化指紋、種分離、変異型タイピング、表現型コンテキスト検出を含む予測タスクを評価しました。

主要な成果:

• vir2vecは、8つの多様なウイルス分類タスクのうち7つで優れたバランス精度を達成しました。
• ヒトDNAでトレーニングされたモデルや既存のウイルス固有のゲノム基盤モデルを常に上回りました。
• vir2vecからの埋め込みは、複数のタスクにわたって生物学的に関連性の高いウイルスの変異を効果的に捉えました。

結論:

• vir2vecとvGUEは、ウイルスゲノムモデリング、サーベイランス、発見のための堅牢な基盤を確立します。
• 開発されたツールは、ウイルスの多様性と進化を理解するための改善された機能を提供します。
• vir2vecの責任ある展開には、その潜在的なデュアルユースのインプリケーションにより、倫理的配慮とガバナンスの監督が必要です。