在使用机器学习模型评估动物传播病毒的溢出风险时存在隐藏的挑战
Junna Kawasaki1,2, Tadaki Suzuki3,4, Michiaki Hamada5,6,7
1Faculty of Science and Engineering, Waseda University, Tokyo, Japan. jrt13mpmuk@gmail.com.
Communications medicine
|May 20, 2025
概括
这项研究开发了BERT感染模型,通过创建大型数据集和使用先进的语言模型,增强了病毒性动物性传播风险预测. 它提高了高风险病毒的识别,即使有有限的序列数据.
科学领域:
- 病毒学 病毒学
- 机器学习 机器学习
- 基因组学就是基因组学.
背景情况:
- 机器学习模型被用来预测动物传染病溢出风险.
- 有限的病毒感染性数据集阻碍了对人类感染性的准确预测.
- 这限制了可以评估动物传染潜力的病毒范围.
研究的目的:
- 针对机器学习模型的病毒感染性数据集的局限性.
- 为了改善对更广泛的病毒病毒的动物传染性溢出风险的预测.
- 开发一个强大的模型来识别具有人类感染潜力的病毒.
主要方法:
- 在26个病毒家族中构建了广泛的数据集.
- 在核酸序列上预先训练的大型语言模型的使用下,开发了BERT感染模型.
- 杆式高通量测序读取和对应序列用于模型训练和验证.
主要成果:
- 伯特感染模型大大提高了预测性能,特别是对细分RNA病毒.
- 该模型显示高预测性能,即使在部分病毒序列,帮助动物性病毒发现在metagenomic数据.
- 在2018年之前的数据上训练的模型通常预测了2018年后的病毒,但与SARS-CoV-2等特定血统作斗争.
结论:
- 这项研究为病毒感染性预测模型提供了一个基准.
- 强调需要进一步发展,充分利用机器学习以应对动物传染病威胁.
- 鉴定了目前用于预测特定动物性病毒系中人类感染风险的模型的局限性.
相关概念视频
01:18Steps in Outbreak Investigation
102
In the ever-evolving field of public health, statistical analysis serves as a cornerstone for understanding and managing disease outbreaks. By leveraging various statistical tools, health professionals can predict potential outbreaks, analyze ongoing situations, and devise effective responses to mitigate impact. For that to happen, there are a few possible stages of the analysis:
102
00:57Viral Recombination
23.2K
Cells are sometimes infected by more than one virus at once. When two viruses disassemble to expose their genomes for replication in the same cell, similar regions of their genomes can pair together and exchange sequences in a process called recombination. Alternatively, viruses with segmented genomes can swap segments in a process called reassortment.
23.2K