机器学习有机会预测FMDV血清型O中的交叉中和

科学领域:

• 兽医病毒学 兽医病毒学
• 免疫学 免疫学 免疫学
• 生物信息学是一种生物信息学.

背景情况:

• 准确估计口病病毒 (FMDV) 血清型O菌株之间的交叉中和是有效的疫苗选择和疾病控制的必要条件.
• 通过r1值测量的抗原相似性是确定针对不同疾病毒菌株的疫苗疗效的关键因素.

研究的目的:

• 开发和验证一种机器学习模型,用于使用VP1序列数据预测FMDV交叉中和 (r1值).
• 确定FMDV血清型O的抗原关系的关键病毒决定因素.

主要方法:

• 收集了来自73个FMDV菌株的108个血清病毒对的数据集.
• 机器学习,包括Boruta特征选择和随机森林分类,应用于VP1序列数据和病毒中和标位 (VNT) 结果.
• 使用十倍交叉验证和分样采样优化了模型性能,预测因素包括氨基酸距离,多态性和N-糖化位差异.

主要成果:

• 在训练过程中,机器学习模型在预测交叉中和 (r1值≥0.3) 中取得了高准确率 (0.96).
• 该模型在独立测试组中表现出强大的性能,准确度为0.75.
• 在48,100,135,150,和151位的特定VP1残留物被确定为抗原关系的显著预测因素.

结论:

• 集成基因组数据的机器学习为估计FMDV抗原相似性和预测交叉中和提供了一种强大的方法.
• 这种预测模型可以显著帮助指导疫苗选择,并预测免疫反应,以循环口疾病毒菌株.
• 开发的工具可以适应其他FMDV血清型,并提供了一种加速疫苗决策的实际手段.