一个基于序列的机器学习模型,用于预测H3N2流感病毒的抗原距离.
Xingyi Li1,2, Yanyan Li1,2, Xuequn Shang1,2
1School of Computer Science, Northwestern Polytechnical University, Xi'an, Shaanxi, China.
Frontiers in microbiology
|February 5, 2024
概括
一种新的计算方法可以准确地预测流感A H3N2病毒的抗原性和演变. 这种方法有助于识别抗原变异和选择有效的疫苗候选人,提高疫苗对不断变化的病毒的疗效.
科学领域:
- 病毒学 病毒学
- 免疫学 免疫学 免疫学
- 计算生物学 计算生物学
背景情况:
- 流感A H3N2病毒迅速演变,需要世界卫生组织 (WHO) 频繁更新疫苗.
- 传统的血清学方法来评估病毒抗原性是耗时和劳动密集的.
- 现有的计算模型往往缺乏与病毒序列的强有力的定量链接,或专注于有限的特征.
研究的目的:
- 开发一种新的计算方法,用于预测H3N2病毒的抗原距离.
- 提高确定病毒抗原性和抗原漂移的准确性和效率.
主要方法:
- 病毒序列属性的整合与四个不同的特征类别影响抗原性.
- 开发一种用于预测抗原距离的计算模型.
主要成果:
- 拟议的方法表明病毒抗原性的预测误差很低.
- 在识别抗原漂移方面取得了更高的准确性.
- 分析显示,从1968年到2022年,H3N2病毒的21个主要抗原群.
- 预测的抗原图与血清学数据密切匹配.
结论:
- 这种新的计算方法是检测抗原变异的一个有希望的工具.
- 这种方法可以有效地指导候选疫苗的选择.
- 该方法为H3N2监测提供了传统血清学评估的有效替代方案.


