CLCAP:对比学习提高了使用卷积神经网络对流感A病毒的抗原性预测
Rui Yin1, Biao Ye1, Jiang Bian1
1Department of Health Outcomes and Biomedical Informatics, University of Florida, Gainesville, College of Medicine, FL, USA.
Methods (San Diego, Calif.)
|November 4, 2024
概括
预测流感病毒变异对公共卫生至关重要. 一个新的深度学习模型准确地预测流感A病毒的抗原性,有助于疫苗开发和传播控制.
科学领域:
- 病毒学 病毒学
- 计算生物学 计算生物学
- 机器学习 机器学习
背景情况:
- 流感病毒在全球范围内传播,导致季节性流感,并由于新型变种而带来年度公共卫生挑战.
- 快速的病毒突变使得及时跟踪流感病毒的演变变化变得复杂.
- 对抗原变异的准确预测对于有效的疫苗开发和预防病毒传播至关重要.
研究的目的:
- 开发一种快速,低成本,准确的方法来预测流感A病毒的抗原性.
- 为此预测任务,利用深度学习,特别是具有对比学习的多通道卷积神经网络.
主要方法:
- 从公共资源和文献中编制了一个综合数据集,结合了抗原数据和蛋白质序列.
- 采用多通道卷积神经网络架构,结合对比学习来增强特征表示.
- 该模型的性能在三个不同的流感亚型 (H1N1,H3N2,H5N1) 上进行了评估.
主要成果:
- 拟议的卷积神经网络模型在流感A病毒抗原性预测中显著超过了传统的机器学习分类器.
- 该模型与几种最先进的方法相比,显示出更高的性能.
- 与最好的现有方法相比,观察到H1N1的精度提高了5.18%,H3N2的7.03%和H5N1的7.82%.
结论:
- 开发的框架为流感抗原性预测提供了及时有效的解决方案.
- 这种方法显示出适应其他病毒病原体抗原性研究的希望.
- 这种方法可以帮助主动选择疫苗菌株,并加强对流感的公共卫生策略.
