通过卷积神经网络探索冠状病毒序列图案,以准确识别COVID-19
Praveen Gugulothu1, Raju Bhukya1
1Computer Science and Engineering, National Institute of Technology, Warangal, India.
Computer methods in biomechanics and biomedical engineering
|November 7, 2024
概括
深度学习模型DeepCoV准确识别了SARS-CoV-2,使其与其他病毒区分开来. 这种方法增强了病毒性疾病的检测和基因组数据中的模式识别.
科学领域:
- * 计算生物学和生物信息学
- * 机器学习在病毒学中的应用.
- * 对传染病的基因组数据分析.
背景情况:
- *由SARS-CoV-2引起的COVID-19大流行突出了快速病毒识别方面的挑战.
- *冠状病毒之间的遗传相似性使分化变得复杂,需要先进的诊断工具.
- * 快速识别新型与已知的病毒威胁对于公共卫生反应至关重要.
研究的目的:
- * 开发和评估一个深度学习 (DL) 模型,DeepCoV,用于分类SARS-CoV-2.
- * 通过基因组数据评估DeepCoV区分SARS-CoV-2和其他病毒性疾病的能力.
- * 调查卷积神经网络 (CNN) 在识别病毒动机中的可解释性.
主要方法:
- * 实施DeepCoV,一种DL方法,使用分层CNN进行病毒分类.
- *使用2019nCoVR数据集进行模型训练和测试.
- *分析了CNN内部的计算过过程,以确定与SARS-CoV-2相关的动机.
主要成果:
- *与基准机器学习模型相比,DeepCoV显示出更高的准确性.
- *实现了高性能指标:98.62%的AUCCPR和98.58%的AUC-ROC.
- *成功识别了针对SARS-CoV-2的特定关键动机,展示了CNN的透明度.
结论:
- *像DeepCoV这样的深度学习算法为SARS-CoV-2识别提供了强大的替代方案.
- * 该模型有效区分SARS-CoV-2与其他病毒病原体.
- * 深度学习有助于理解病毒基因序列中的疾病模式.
