Zoon0PredV:使用卷积神经网络和病毒蛋白序列模式预测潜在病毒物种交叉
Rudolph Abel Serage1, Clement Nthambazale Nyirenda2,3, Taiwo Gabriel Omomule1
1SA MRC Bioinformatics Unit, South African National Bioinformatics Institute, University of the Western Cape, Cape Town, South Africa.
这项研究开发了一种机器学习模型,用于预测潜在的动物性病毒. 该模型准确地识别了可以感染人类的病毒,有助于早期检测新出现的传染病威胁.
科学领域:
- 生物医学科学 生物医学科学
- 计算生物学 计算生物学
- 传染病研究 传染病研究
背景情况:
- 由于微生物进化和跨物种传播,新出现的传染病构成了持续的威胁.
- 计算方法和机器学习对于分析大数据集以预测和监测疾病爆发至关重要.
- 了解病毒宿主进入机制是识别潜在的动物传染病原体的关键.
研究的目的:
- 开发一种机器学习模型,用于预测潜在的动物传染性生物.
- 为了利用参与宿主细胞进入的病毒表面蛋白作为模型的输入特征.
- 加强早期识别新出现的病毒威胁,并支持公共卫生监测.
主要方法:
- 从UniProtKB.收集的病毒序列数据和元数据.
- 使用频率混乱游戏表示形式将数据转换为机器可读的格式.
- 开发了一个卷积神经网络模型来识别感染人类的病毒序列模式.
主要成果:
- 机器学习模型在未见的数据上实现了96.78%的准确性.
- 该模型显示了0.97的F1得分和0.93的马修斯相关系数 (MCC).
- 该模型有效地识别了感染人类的病毒的特征序列模式.
结论:
- 开发的机器学习模型为预测潜在的动物病毒提供了一个强大的框架.
- 这种工具可以在早期识别新出现的病毒威胁方面发挥重要作用.
- 该模型支持公共卫生监测和传染病风险减轻策略.
更多相关视频
09:34A Virtual Machine Platform for Non-Computer Professionals for Using Deep Learning to Classify Biological Sequences of Metagenomic Data
Published on: September 25, 2021
08:07Author Spotlight: Advancing Antiviral Strategies Through Novel Immunocapture and Mass Spectrometry Techniques
Published on: January 12, 2024
相关概念视频
Viral Recombination
Viral Mutations
Retroviruses
Viruses with RNA Genomes
Single Nucleotide Polymorphisms-SNPs
Size and Structure of Viral Genomes
