评估神经网络在预测疾病状况和JC多列瘤病毒从患者隔离的组织源的性能,基于病毒基因组的超变区域
Aiden M C Pike1,2,3, Saeed Amal4,5, Melissa S Maginnis3,6
1Maine Space Grant Consortium, Augusta, ME 04330, USA.
Viruses
|January 25, 2025
概括
机器学习模型从NCCR序列准确地预测JC多重瘤病毒 (JCPyV) PML状态和组织来源. 这有助于理解JCPyV突变和病变发生,这对于开发进展性多焦细胞白内障 (PML) 治疗方法至关重要.
科学领域:
- 病毒学 病毒学
- 计算生物学 计算生物学
- 遗传学 遗传学 是一个
背景情况:
- 詹姆斯多细胞瘤病毒 (JCPyV) 在免疫功能低下的个体中引起渐进式多焦点白内障 (PML).
- 在JCPyV非编码控制区域 (NCCR) 中的突变与疾病有关,但数据往往不完整.
- 在线序列数据库缺乏足够的样本信息来进行大规模分析.
研究的目的:
- 应用机器学习来预测缺失的JCPyV NCCR序列信息.
- 改进对JCPyV序列及其与疾病结果相关性的分析.
- 为了提高对JCPyV突变和病原体的理解.
主要方法:
- 使用了来自GenBank.Bank的989个JCPyV NCCR序列的数据集.
- 训练有素的多层感知子来预测缺失的PML状态和病毒组织来源.
- 对PML状态 (100%) 和组织来源 (87.8%) 的验证模型准确性.
主要成果:
- 成功预测了348个样本的PML状态 (259个没有PML,89个PML).
- 确定了63个序列 (8个尿液,13个血液,42个脑脊液) 的组织来源.
- 在增强不完整的 JCPyV 序列数据方面表现出高准确性.
结论:
- 机器学习模型有效地预测缺失的JCPyV数据,增强序列分析.
- 这种方法可以为JCPyV突变和病原体提供宝贵的见解.
- 改进的数据分析支持未来对PML和JCPyV相关疾病的研究.
