流感-CNN:使用卷积网络识别流感A病毒的宿主特异性
Mingda Hu1, Nan Luo1,2, Boqian Wang1
1Beijing Institute of Biotechnology, State Key Laboratory of Advanced Biotechnology, Beijing, China.
Human genomics
|August 22, 2025
概括
预测禽流感病毒宿主特异性对于预防流行病至关重要. 一个新的人工智能模型,流感级别卷积神经网络 (Flu-CNN),从基因组数据准确地识别病毒宿主范围,帮助早期发现疫情和风险评估.
科学领域:
- 病毒学
- 基因组学
- 计算生物学
背景情况:
- 甲型流感病毒 (IAV) 具有重大流行风险,宿主特异性限制但不能防止跨物种传播.
- 早期检测IAV宿主特异性的变化对于公共健康至关重要,但使用基因组数据仍然具有挑战性.
- 识别禽流感病毒潜在的动物感染威胁对于及时管理疫情至关重要.
研究的目的:
- 从基因组序列来预测流感A病毒宿主特异性的计算模型的开发和验证.
- 专注于具有动物感染潜力的禽流感病毒,如H5N1,H7N9和H9N2.
- 在流感爆发期间提供实时风险评估和监测工具.
主要方法:
- 一个名为Flu-CNN的卷积神经网络 (CNN) 模型的开发.
- 在911,098个病毒基因组序列的大数据集上进行流感-CNN的培训和评估.
- 对个体基因组段进行分析以确定宿主特异性和确定关键突变.
主要成果:
- 在预测单个基因组段的宿主特异性方面, 流感CNN的准确性达到了99%.
- 该模型甚至对具有有限菌株的高风险禽流感亚型也显示出高准确性.
- 确定了与动物传染潜力相关的关键突变,该模型评估了特定菌株的动物传染风险.
结论:
- 使用基因组数据预测IAV宿主特异性的先驱性和高度准确的方法.
- 该模型显著提高了对可能感染人类的流感病毒的早期疫情监测和风险减轻策略.
- 这种计算工具为病毒演变提供了新的见解,并帮助全球努力防止流感的广泛传播.
