DeepSANet:一种深度学习方法,用于对沙门氏菌的层次性地理来源归因
Shan Liang1, Shaohui Mei2, Jiahao Ji1
1School of Biomedical and Pharmaceutical Sciences, Guangdong University of Technology, 100 Waihuan Xi Road, Panyu District, Guangzhou 510006, Guangdong Province, China.
Food research international (Ottawa, Ont.)
|November 4, 2025
概括
深度学习使用DeepSANet准确追踪沙门氏菌的起源,改善了食品传播病原体监测. 这种方法精确地确定了地理来源,这对于公共卫生和食品安全干预至关重要.
科学领域:
- 基因组学就是基因组学.
- 机器学习 机器学习
- 食品安全 食品安全
背景情况:
- 微生物食品传播病原体,特别是沙门氏菌,对公众健康和食品行业构成重大风险.
- 准确地确定沙门氏菌的地理来源对于有效的疫情控制和预防至关重要.
- 现有的基因组方法缺乏必要的精度,无法详细追踪源.
研究的目的:
- 引入一种新的深度学习方法,用于精确的,分层的沙门氏菌地理来源归因.
- 开发一个深度源归因网络 (DeepSANet),能够进行多层次的来源预测.
主要方法:
- 实现了一个Swin变压器,用于深度基因组数据表示.
- 引入了一个并行层次预测器 (PHP) 模块,用于同时进行多层次起源预测.
- 设计了一个自适应层次转移 (AHT) 损失,以利用标签层次来提高准确性.
主要成果:
- 在Salmonella Enteritidis数据集上,DeepSANet取得了很高的准确性:91.88% (区域),87.05% (次区域) 和80.83% (国家).
- 在一个大规模,多样化的沙门氏菌数据集上,DeepSANet在所有地理层次上都超过了90%的准确性.
- 该模型在各种伺服器和地理分布中显示出强烈的概括性.
结论:
- 在沙门氏菌的分层地理来源归因方面,DeepSANet显著优于现有的方法.
- 该模型的效率突出其高性能,仅使用3002个核心基因组多部位序列类型 (cgMLST) 位点.
- 深度学习为增强食品传播病原体监测和控制策略提供了一个有希望的途径.
