评估不同的机器学习方法来预测纽卡斯尔病病毒 (NDV) 菌株之间的抗原距离
Giovanni Franzo1, Alice Fusaro2, Chantal J Snoeck3
1Department of Animal Medicine, Production and Health (MAPS), Padua University, 35020 Legnaro, Italy.
Viruses
|April 26, 2025
概括
机器学习模型可以使用基因序列预测纽卡斯尔病病毒 (NDV) 抗原距离. 这种方法为选择疫苗的实验试验提供了一个更快,更可靠的替代方案.
科学领域:
- 兽医病毒学 兽医病毒学
- 生物信息学是一种生物信息学.
- 免疫学 免疫学 免疫学
背景情况:
- 纽卡斯尔病病毒 (NDV) 由于其快速演变和变种的出现,造成了严重的疫苗接种挑战.
- 遗传距离是交叉保护的不可靠预测因素,实验性抗原差异评估是资源密集的.
- 需要快速,可靠的方法来预测NDV菌株之间的抗原关系,以便有效选择疫苗.
研究的目的:
- 为了比较机器学习 (ML) 方法来预测NDV菌株之间的抗原距离.
- 评估使用F和HN基因序列和氨基酸特征进行预测的疗效.
- 建立一个快速可靠的工具,用于疫苗菌株选择.
主要方法:
- 从NDV菌株中分析F和HN基因序列和相应的氨基酸特征.
- 开发和比较各种ML模型,包括随机森林 (RF) 和传统线性模型.
- 根据序列数据预测抗原距离,并与血液凝结抑制 (HI) 测定结果进行比较.
主要成果:
- 随机森林 (RF) 模型实现了对抗原距离的高预测精度 (R2 = 0.723).
- 仅基于遗传距离的传统线性模型的预测性能很差 (R2 = 0.051).
- 机器学习模型显著优于基于遗传距离的预测.
结论:
- 机器学习方法,特别是射频,是快速可靠地预测NDV抗原距离的有效工具.
- 基于ML的预测可以最大限度地减少为疫苗选择进行耗时和资源密集的实验试验的需要.
- 这种ML框架显示了对其他传染病的应用潜力,有助于快速响应和克服实验限制.
