用图形交叉注意力网络识别禽流感病毒的流行风险
IEEE journal of biomedical and health informatics
|October 28, 2025
概括
这项研究介绍了用于流感大流行识别的图形交叉注意网络 (GCAN-Flu),这是预测流感A病毒大流行风险的新方法. GCAN-Flu有效地整合了病毒基因流动,优于现有的基于序列的方法,用于增强流行病预测.
科学领域:
- 病毒学 病毒学
- 计算生物学 计算生物学
- 流行病学 流行病学
背景情况:
- 由于其快速突变和流行病潜力,A型流感病毒对全球健康构成重大风险.
- 准确的流行病风险预测对于公共卫生和社会稳定至关重要.
- 目前的深度学习方法主要依赖于病毒基因组序列,忽视了关键的遗传重组动态.
研究的目的:
- 开发一种先进的方法来预测流感病毒的流行风险.
- 将病毒基因流,特别是遗传重组,纳入流行病风险预测模型.
- 提高流感大流行预测的准确性和有效性.
主要方法:
- 拟议的图表 交叉注意力网络用于流感流行病识别 (GCAN-Flu).
- 在基因重组关系的基础上构建了一种流感病毒基因流动网络.
- 利用图交叉注意 (GCA) 层将病毒基因组序列与基因流信息集成为多式模式表示.
- 预测使用这些多式模式表示的流行病风险.
主要成果:
- 与现有的基于序列的深度学习方法相比,GCAN-Flu表现出更高的性能.
- 基因流信息的整合显著提高了流行病风险预测的准确性.
- 该模型为流感大流行预测提供了一个强大的新工具.
结论:
- GCAN-Flu提供了一种更全面的方法来评估流感大流行风险,包括遗传重组.
- 这种方法推进了计算病毒学和流行病准备的领域.
- 开发的模型对早期检测和缓解未来流感大流行有希望.
