首页/论文/1802.09197

arXiv 1802.091972018-02-26q-bio.QMcs.LGstat.ML

AI4AI：从禽流感病毒DNA序列定量分类宿主种的方法

AI4AI: Quantitative Methods for Classifying Host Species from Avian Influenza DNA Sequence

OrbisAI Inc.（OrbisAI公司）

Woo Yong Choi, Kyu Ye Song, Chan Woo Lee

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

禽流感爆发每年在全球造成数百万美元的损失，特别是在中国和韩国等亚洲国家。爆发的影响程度与充分了解流感病毒所需的时间直接相关，特别是种间致病性。该程序需要实验室测试，需要资源通常缺乏爆发紧急情况。在这项研究中，我们提出了新的定量方法，利用机器学习和深度学习来正确分类给定流感病毒原始DNA序列数据的宿主物种，并为每个分类提供概率。最好的深度学习模型在11个宿主物种类别的数据集上实现了47%的前1分类准确率和82%的前3分类准确率。

英文摘要：

Avian Influenza breakouts cause millions of dollars in damage each year globally, especially in Asian countries such as China and South Korea. The impact magnitude of a breakout directly correlates to time required to fully understand the influenza virus, particularly the interspecies pathogenicity. The procedure requires laboratory tests that require resources typically lacking in a breakout emergency. In this study, we propose new quantitative methods utilizing machine learning and deep learning to correctly classify host species given raw DNA sequence data of the influenza virus, and provide probabilities for each classification. The best deep learning models achieve top-1 classification accuracy of 47%, and top-3 classification accuracy of 82%, on a dataset of 11 host species classes.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

基于卷积神经网络的流感病毒血凝素蛋白质序列分类

Classification of Influenza Hemagglutinin Protein Sequences using Convolutional Neural Networks

Computation-based Science and Technology Research Center, The Cyprus Institute（塞浦路斯研究所计算科学与技术研究中心）；Faculty of Computing, Engineering and the Built Environment, Birmingham City University（伯明翰城市大学计算、工程与建筑环境学院）

流感病毒可以被认为是最严重的病毒之一，可以感染多个物种，对宿主造成致命的后果。该病毒的血凝素（HA）基因可以作为抗病毒药物开发的靶点，通过准确鉴定其亚型和可能的靶向宿主来实现。本文主要研究仅利用HA基因的蛋白质序列，准确预测A型流感病毒是否能感染特定的宿主，更具体地说，人、禽和猪宿主。更详细地说，我们建议使用疏水指数将蛋白质序列编码成数字信号，随后利用基于卷积神经网络的预测模型。用于拟定工作的流感HA蛋白质序列获自流感研究数据库（IRD）。具体而言，完整和独特的HA蛋白质序列用于禽类、人类和猪宿主。本工作获得的数据是17999个人宿主蛋白，17667个禽宿主蛋白和9278个猪宿主蛋白。鉴于这组收集的蛋白质，所提出的方法产生高达10%的准确性高出一个单独的类（即，禽）和5%的整体准确性比在早期的研究。还观察到，在这项工作中，每个类的准确性比以前的研究中提出的更平衡。实验结果表明，该模型能够很好地区分人、禽、猪三种宿主的HA蛋白质序列。

2021-08-09cs.LGq-bio.QM

用于研究禽流感病毒传播和控制的机制模型的系统评价

A systematic review of mechanistic models used to study avian influenza virus transmission and control

禽流感病毒在家禽中的全球传播正在造成巨大的经济和社会损失。为了更好地了解禽流感的传播和评估控制措施的有效性，已经开发了各种机制模型。然而，目前还没有对使用的机械方法进行全面审查。为了帮助填补这一空白，我们对应用于现实世界流行病的机制模型进行了系统性综述，以（1）描述模型类型及其流行病学背景，（2）综合AIV传播参数的估计值，（3）审查最常评估的控制策略及其结果。45篇符合纳入条件的文章，将模型拟合到数据和估计参数值（n = 42）和/或评价控制策略的有效性（n = 21）。大多数是基于群体的模型（n = 26），其次是基于个体的模型（n = 15）和少数集合群体模型（n = 4）。传播率的估计值因流行病学背景、病毒亚型和流行病学单位的不同而有很大差异。其他参数，如潜伏期和传染期的持续时间更频繁地假设，限制了这些机制模型带来的见解。关于控制策略，许多模型评估了剔除（n = 15），而疫苗接种受到较少关注（n = 7）。根据综述的文章，最佳控制策略因病毒亚型和当地条件而异，也取决于目标。例如，当目标是限制扑杀鸡群的总数时，疫苗接种是最佳的，而先发制人的扑杀则是减少流行规模和持续时间的首选。及早实施干预措施不断提高控制战略的效力，突出表明需要进行有效的监测和流行病防范。机制模型的潜在改进包括明确说明各种传播途径，并根据物种和农场类型区分家禽种群。为了及时为政策制定者提供见解，值得进一步关…

2023-03-01q-bio.QM

对丹麦野生鸟类传播高致病性禽流感风险建模：一种数据驱动的风险评估框架

Modeling the spillover risk of highly pathogenic avian influenza from wild birds to cattle in Denmark: A data-driven risk assessment framework

University of Copenhagen（哥本哈根大学）；Wageningen Bioveterinary Research（瓦赫宁根生物兽医研究）；SEGES Innovation P/S（SEGES创新公司）；Wageningen University and Research（瓦赫宁根大学与研究）

该研究开发了一个数据驱动的风险评估模型，用于评估丹麦野生鸟类传播高致病性禽流感病毒至奶牛的风险，通过整合多种数据源预测传播风险并指导监测措施。

2026-03-11q-bio.PEq-bio.QM

基于机器学习的可解释拉曼特征的病毒精确识别

Accurate Virus Identification with Interpretable Raman Signatures by Machine Learning

The Pennsylvania State University（宾夕法尼亚州立大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；George Washington University（乔治华盛顿大学）；National Institute of Allergy and Infectious Diseases（美国国家过敏和传染病研究所）；National Institutes of Health（美国国立卫生研究院）

快速识别新出现或正在传播的病毒是管理公共卫生应对潜在疫情的重要第一步。便携式病毒捕获设备与无标记拉曼光谱技术相结合，通过快速获得病毒的拉曼特征，然后应用机器学习方法基于其拉曼光谱（用作指纹）识别病毒，从而有望实现快速检测。我们提出了这样一个机器学习的方法来分析人类和鸟类病毒的拉曼光谱。专为光谱数据设计的卷积神经网络（CNN）分类器可在各种病毒类型或亚型识别任务中实现非常高的准确性。特别是，它实现了99%的准确性分类流感病毒A型与B型，96%的准确性分类流感A的四个亚型，95%的准确性区分包膜和非包膜病毒，99%的准确性区分禽冠状病毒（传染性支气管炎病毒，IBV）从其他鸟类病毒。此外，使用全梯度算法对训练的CNN模型中的神经网络响应的解释突出了对病毒识别最重要的拉曼光谱范围。通过将ML选择的显着拉曼范围与已知生物分子和化学官能团（例如，酰胺、氨基酸、羧酸）的特征范围相关联，我们验证了我们的ML模型有效地识别了蛋白质、脂质和其他重要的拉曼特征。不同病毒中存在的官能团，并使用这些特征的加权组合来识别病毒。

2022-06-05cs.LGq-bio.QM

用人工神经网络学习方法预测人类甲型流感病毒感染

Prediction of Influenza A virus infections in humans using an Artificial Neural Network learning approach

A型流感病毒可以被认为是最严重的病毒之一，可以感染多个物种，对宿主造成致命的后果。该病毒的血凝素（HA）基因有可能成为抗病毒药物开发的靶点，通过准确鉴定其亚型和可能的靶向宿主来实现。在本文中，为了准确预测A型流感病毒是否具有感染人类宿主的能力，因此开发并测试了仅使用HA基因的方法。预测模型遵循三个主要步骤：（i）使用EIIP氨基酸标度将蛋白质序列解码为数字信号，（ii）通过使用离散傅立叶变换（DFT）分析这些序列并提取基于DFT的特征，（iii）使用基于人工神经网络的预测模型并使用DFT生成的特征。在该分析中，从流感研究数据库中分别收集了人、禽和猪的30724、18236和8157个HA蛋白质序列。给定这组蛋白质，所提出的方法的产率为97.36%。（+- 0.04%），97.26%（+- 0.26%），0.978（+- 0.004），0.963（+- 0.005）和0.945（± 0.005）分别用于训练准确性验证准确率、精确率、召回率和马修斯相关系数（MCC），基于10倍交叉验证。通过使用最大的数据集之一（如果不是最大的话）生成的分类模型产生了有希望的结果，可以导致早期发现这些物种，并有助于制定预防措施，以预防可能的人类感染。

2021-02-12q-bio.QM

描述甲型流感病毒感染在人呼吸道内的定位和传播的数学模型

A mathematical model describing the localization and spread of influenza A virus infection within the human respiratory tract

在人类呼吸道（HRT）内，病毒通过纤毛周液（PCF）扩散，冲洗上皮细胞，并通过平流向鼻和口向上传播，因为粘液自动扶梯夹带PCF。虽然迄今为止许多数学模型（HMS）已经描述了体内甲型流感病毒（IAV）感染的过程，但没有一个模型考虑了扩散和平流对感染动力学和局部化的影响。本文中的MM将HRT表示为从鼻子向下延伸到30 cm深度的一维轨迹，其中静止细胞与在PCF内移动的IAV的浓度相互作用。当IAV平流和扩散都被认为是，前者被发现占主导地位的感染动力学，并在病毒生产率增加10倍，需要抵消其影响。MM预测，平流可以防止感染在病毒最初沉积的深度以下传播。由于病毒被向上夹带，因此上部HRT看到的病毒最多，而下部HRT看到的病毒少得多。因此，上部HRT中的感染峰值和消退速度比下部HRT中的更快，使其看起来好像感染从上部向下部HRT进展。当空间MM扩展到包括细胞再生和免疫应答时，它可以通过以与预期这两种感染类型之间的差异一致的方式改变参数来捕获季节性和禽类IAV毒株感染的时间过程。还研究了神经氨酸酶抑制剂抗病毒治疗的影响。这种新的MM提供了一个方便和独特的平台，从其中研究HRT内呼吸道病毒感染的定位和传播。

2019-08-22q-bio.CBq-bio.QM

更多相关论文收起更多论文

利用人工智能确定基于p53的癌症中的阳性癌症拯救突变

Determining Positive Cancer Rescue Mutations in p53 Based Cancers by using Artificial Intelligence

DNA中蛋白质编码基因的突变可以改变由同一基因编码的蛋白质结构。结构改变的蛋白质通常会失去它们的功能，有时会获得不需要的功能。这些类型的突变及其影响可能导致遗传疾病或抗生素耐药性细菌，以及其他健康问题。重要的治疗方法已经开发出来，用于检测艾滋病和遗传病的突变。另一个例子是流感病毒。为对抗流感而开发的疫苗在第二年不起作用的原因是（a）其DNA的突变和（b）病毒突变后的爆发，特别是如果它是一种逃避疫苗接种目标的病毒。由于这些原因，提前知道蛋白质中潜在突变的位置以及它可能引起的医学问题是非常重要的。在这项研究中，我们使用了人工神经网络，这是最新的人工智能技术之一，以确定癌症突变的影响。与其他方法相比，我们开发的模型给出了更成功的结果。我们预见，我们的模式将为医学研究和医疗行业带来新的层面。

2017-08-28q-bio.QM