流感A病毒风险评估的机器学习方法使用模型 in vivo数据识别预测相关物

科学领域:

• 病毒学 病毒学
• 计算生物学 计算生物学
• 流行病学 流行病学

背景情况:

• 在流行病风险评估中,体内模型对于评估流感A病毒 (IAV) 病原性和传染性至关重要.
• 有限的系统努力存在,以确定关键的体内数据来预测IAV病原和传播结果.

研究的目的:

• 汇集和分析来自子中各种IAV亚型的病毒和分子数据.
• 开发和评估机器学习 (ML) 模型,用于预测IAV致命性,发病率和传染性.
• 为了确定最有信息的数据类型来预测中的IAV结果.

主要方法:

• 收集了125个当代IAV (H1,H2,H3,H5,H7,H9) 的病毒和分子数据,这些IAV在中进行了评估.
• 采用了11个机器学习算法,包括梯度增强机器和随机森林,以构建预测模型.
• 使用的数据集包括免疫的病毒学,临床和基于序列的信息.

主要成果:

• 梯度增强和随机森林算法展示了最高的预测性能.
• 预测死亡率和传播能力的模型始终超过了患病率模型.
• 特性选择分析确定了模型优化的关键参数,并与外部研究进行验证.

结论:

• 机器学习有效地总结了复杂的体内实验数据,用于IAV风险评估.
• 机器学习模型通过整合体内的实验见解来提高流行病的准备.
• 这种方法提供了一种数据驱动的方法来评估IAV风险.