Mutations strengthened SARS-CoV-2 infectivity
严重急性呼吸综合征冠状病毒2(SARS-CoV-2)的传染性是2019冠状病毒病(COVID-19)预防和经济重新开放的主要问题。然而,SARS-COV-2感染性的严格测定基本上是不可能的,因为它在六种不同亚型中具有超过13752个单核苷酸多态性(SNP)变体。我们开发了一种基于代数拓扑的先进机器学习算法来定量评估SARS-CoV-2刺突糖蛋白(S蛋白)和宿主血管紧张素转换酶2(ACE 2)受体在突变后的结合亲和力变化。基于突变诱导的结合亲和力变化,我们揭示了六种SARS-CoV-2亚型中的五种已经变得中度或轻度更具感染性,而一种亚型的感染性减弱。根据计算的S蛋白-ACE 2结合亲和力变化,我们发现SARS-CoV-2比SARS-CoV具有更强的感染性。基于对S蛋白受体结合结构域(RBD)上所有可能的3686个未来突变的系统评估,我们表明最有可能的未来突变将使SARS-CoV-2更具感染性。结合序列比对、概率分析和结合亲和力计算,我们预测受体结合基序(RBM)上的一些残基,即,452、489、500、501和505,有非常高的机会突变成感染性更强的COVID-19菌株。
2020-05-27 q-bio.BM q-bio.QM
Rapid and Accurate Detection of SARS-CoV-2 Mutations using a Cas12a-based Sensing Platform
具有刺突突变的SARS-CoV-2变体的日益流行引起了人们的关注,因为其传播率更高,疾病严重程度更高,并且可以逃避中和抗体。快速准确地检测SARS-CoV-2变异株可提供有关SARS-CoV-2变异株爆发和可能传播途径的关键信息。这些信息对于感染预防和控制至关重要。我们使用基于Cas 12 a的RT-PCR结合CRISPR现场快速检测系统(RT-CORDS)平台检测SARS-COV-2变异株中的关键突变,如69/70缺失,N501 Y和D 614 G。我们使用类型特异性CRISPR RNA(crRNA)来鉴定SARS-CoV-2的野生型(crRNA-W)和突变型(crRNA-M)序列。我们成功地从野生型SARS-CoV-2中区分出突变变异体,灵敏度为$10^{-17}$ M(约6个拷贝/ $μ$ L)。在使用荧光报告系统的简单RT-PCR之后,该测定仅用Cas 12 a/crRNA反应进行10分钟。此外,当使用侧流条作为读数时,可以实现$10^{-16}$ M的灵敏度。RT-CORDS检测SARS-CoV-2变异株的准确性与测序结果100%一致。总之,使用RT-CORDS平台,我们准确,灵敏,特异,快速地检测SARS-CoV-2变异体。该方法可用于临床诊断。
2021-10-25 q-bio.BM q-bio.QM
A Public Website for the Automated Assessment and Validation of SARS-CoV-2 Diagnostic PCR Assays
摘要:基于聚合酶链反应的检测方法是目前检测和诊断SARS-CoV-2的金标准。然而,随着SARS-CoV-2的变异,我们需要不断评估现有的基于PCR的检测方法是否能继续检测所有已知的病毒株。为了实现对SARS-CoV-2检测的连续监测,我们开发了一种基于网络的检测验证算法,该算法使用热力学和编辑距离度量,根据不断扩展的SARS-CoV-2基因组数据库检查现有的基于PCR的检测。检测筛选结果显示为热图,显示每次检测与每个SARS-CoV-2基因组序列之间的错配数量。使用错配阈值定义检测失败,用真阳性率(召回率)总结检测性能,以简化检测比较。可用性:https://covid19.edgebioinformatics.org/#/assayValidation.联系人:Jason GANs(jgans@lanl.gov)和Patrick Chain(pchain@lanl.gov)
2020-06-08 q-bio.GN q-bio.QM
Using Deep Learning Sequence Models to Identify SARS-CoV-2 Divergence
Carnegie Mellon University(卡内基梅隆大学)
SARS-CoV-2是一种上呼吸道系统RNA病毒,截至2021年5月,已导致超过300万人死亡,全球感染人数超过1.5亿。迄今为止,已经对数千株病毒进行了测序,SARS-CoV-2突变对科学家们提出了重大挑战,要求他们跟上疫苗开发和公共卫生措施的步伐。因此,一个有效的方法来识别实验室样本的分歧,从病人将大大有助于文件的SARS-CoV-2基因组学。在这项研究中,我们提出了一个神经网络模型,利用循环和卷积单元直接采取的刺突蛋白的氨基酸序列和分类相应的分支。我们还比较了我们的模型的性能与双向编码器表示从Transformers(BERT)预训练蛋白质数据库。我们的方法有可能提供一个更有效的计算替代目前的同源性为基础的种内分化。
2021-11-12 cs.LG q-bio.QM
A mathematical model for the within-host (re)infection dynamics of SARS-CoV-2
本文提出一个涵盖急性感染、恢复、免疫衰减、长期免疫及变异株再感染的SARS-CoV-2宿主体内动力学数学模型,以弥补现有模型忽视急性感染后效应的不足。
2023-12-07 physics.soc-ph q-bio.QM
CoViT: Real-time phylogenetics for the SARS-CoV-2 pandemic using Vision Transformers
Technion - Israel Institute of Technology(以色列理工学院);Bilkent University(比尔肯特大学);Bar Ilan University(巴伊兰大学)
实时的【形】病毒基因组检测、分类学分类和系统发育分析对于有效追踪和控制新冠病毒等病毒大流行至关重要。然而,前所未有且仍在增长的病毒基因组数据量造成了计算瓶颈,这有效地阻止了实时的【形】流行病跟踪。为了有效地进行基因组追踪,每个新的病毒基因组序列必须置于其泛基因组背景中。使用包含数百万样本的数据集重新推断SARS-CoV-2的完整遗传过程,即使使用强大的计算资源也非常缓慢。我们正试图通过修改和应用视觉Transformer,最近开发的神经网络模型的图像识别,以减轻病毒基因组的分类和放置,如SARS冠状病毒-2的计算瓶颈。我们的解决方案,CoViT,将SARS-CoV-2基因组登录到SARS-CoV-2系统发育树上,准确率为94.2%。由于CoViT是一个分类神经网络,它提供了不止一个可能的位置。具体来说,CoViT建议的两个最有可能的位置之一是正确的,概率为97.9%。在CoViT生成的五个最有可能的位置中找到正确位置的概率为99.8%。在NVIDIA GeForce RTX 2080 Ti GPU上运行的每个基因组的放置时间为0.055秒。我们通过GitHub向研究社区提供CoViT:https://github.com/zuherJahshan/covit。
2022-10-27 cs.LG q-bio.QM
The context-dependence of mutations: a linkage of formalisms
定义上位性的程度-突变效应的非独立性-对于理解生物系统中基因型、表型和适应性的关系至关重要。这些应用程序涵盖了生物研究的许多领域,包括生物化学,基因组学,蛋白质和系统工程,医学和进化生物学。然而,上位性的定量定义在不同的领域有所不同,它的分析超出了成对的影响仍然是模糊的。在这里,我们表明,不同的定义上位是一个单一的数学形式主义的版本-加权沃尔什-阿达玛变换。我们讨论的定义之一,背景平均上位性,是最翔实的目标是揭示一般上位性结构的生物系统,一个描述,可以是相当不同的本地上位性结构的特定模型系统。关键问题是选择有效的合奏平均和实际上对付巨大的组合复杂性的突变。在这方面,我们讨论了最佳学习生物系统上位结构的可能方法。
2015-04-22 q-bio.PE q-bio.QM
Repositioning of 8565 existing drugs for COVID-19
由严重急性呼吸道综合征冠状病毒2型(SARS-CoV-2)引起的2019冠状病毒病(COVID-19)大流行已感染近500万人,并导致超过30万人死亡。目前,还没有特异性的抗SARS-CoV-2药物。新的药物发现通常需要十年以上的时间。药物重新定位成为抗击COVID-19最可行的方法之一。这项工作策划了SARS-CoV-2或SARS-CoV主要蛋白酶抑制剂的最大可用实验数据集。基于此数据集,我们开发了经过验证的机器学习模型,具有相对较低的均方根误差,以筛选1553种FDA批准的药物以及DrugBank中的其他7012种研究或非市场药物。我们发现许多现有的药物可能对SARS-CoV-2具有潜在的效力。分析了许多有效的SARS-CoV-2主要蛋白酶抑制剂的可药性。这项工作为COVID-19药物重新定位的进一步实验研究提供了基础。
2020-05-20 q-bio.BM q-bio.QM
Unveiling the molecular mechanism of SARS-CoV-2 main protease inhibition from 92 crystal structures
目前,对于由急性呼吸道综合征冠状病毒2型(SARS-CoV-2)引起的2019冠状病毒病(COVID-19),没有有效的抗病毒药物或疫苗。SARS-CoV-2主要蛋白酶(M $^{\text{pro}}$)由于其高度保守性和与人类基因的低相似性,是最有利的药物靶点之一。然而,目前对M $^{\text{pro}}$抑制的分子机制的理解受到缺乏可靠的结合亲和力排名和对M $^{\text{pro}}$ -抑制剂复合物的现有结构的预测的限制。这项工作整合了数学和深度学习(MathDL),为92种SARS-CoV-2 M $^{\text{pro}}$抑制剂结构的结合亲和力提供了可靠的排名。结果表明,M $^{\text{pro}}$中Gly 143残基是最容易形成氢键的位点,其次是Cys 145、Glu 166和His 163。我们还确定了45个有针对性的共价键合抑制剂。PDBbind v2016核心集基准测试的验证显示,MathDL实现了最佳性能,Pearson相关系数($R_p$)为0.858。最重要的是,MathDL在精心策划的SARS-CoV-2抑制剂数据集上进行了验证,平均$R_p$高达0.751,这赋予了本结合亲和力预测的可靠性。目前的结合亲和力排名、相互作用分析和片段分解为未来的药物发现努力提供了基础。
2020-05-27 q-bio.BM q-bio.QM
A novel approach to understanding CoViD-19: exploring the interplay of SARS-CoV-2 and CTL response
本文构建分数阶 SARS-CoV-2–CTL 相互作用模型,揭示病毒地方性流行状态与无 CTL 应答平衡的共存参数空间,并分析再生数、分数阶及 CTL 增殖函数的影响。
2023-06-01 math.DS q-bio.QM
In silico comparison of spike protein-ACE2 binding affinities across species; significance for the possible origin of the SARS-CoV-2 virus
由SARS冠状病毒2型(SARS CoV 2)引起的COVID-19大流行的破坏性影响提出了有关病毒起源,人畜共患病转移到人类的机制,伴侣或商业动物是否可以作为感染的宿主,以及为什么动物物种之间SARS-CoV-2的易感性存在很大差异的重要问题。强大的计算机模拟方法可以快速生成有关新出现的病原体的信息,以帮助制定对策并预测未来的行为。在这里,我们报告了一个在电脑结构同源性建模,蛋白质-蛋白质对接,分子动力学模拟研究的关键感染启动之间的相互作用的刺突蛋白的SARS冠状病毒2和它的目标,血管紧张素转换酶2(ACE 2)从多个物种。人ACE 2具有最强的结合相互作用,显著大于任何提出作为病毒来源的物种。与穿山甲ACE 2的结合是第二强的,可能是由于SARS-CoV-2刺突受体结合结构域(RBD)与穿山甲CoV刺突RDB相同。除了蛇、穿山甲和蝙蝠的容许性尚未测试之外,亲和力范围上半部分的所有物种(人、猴、仓鼠、狗、雪貂)都显示出至少中度容许SARS-CoV-2感染,支持结合亲和力与容许性之间的相关性。我们的数据表明,SARS-CoV-2的最早分离株令人惊讶地很好地适应人类ACE 2,这可能解释了其快速传播。
2020-11-21 q-bio.BM q-bio.PE q-bio.QM
Use of Machine Learning and Artificial Intelligence to predict SARS-CoV-2 infection from Full Blood Counts in a population
自二零一九年十二月起,新型冠状病毒SARS-CoV-2已被确定为COVID-19大流行的病因。早期症状与其他常见疾病重叠,如普通感冒和流感,使早期筛查和诊断成为卫生从业人员的关键目标。该研究的目的是使用机器学习(ML)、人工神经网络(ANN)和简单的统计检验,在不了解个体症状或病史的情况下,从全血细胞计数中识别SARS-CoV-2阳性患者。分析和训练中包含的数据集包含来自巴西圣保罗Israelita Albert Einstein医院的匿名全血细胞计数结果,这些患者在访问医院期间收集了样本以进行SARS-CoV-2 rt-PCR测试。患者数据由医院匿名,临床数据标准化,平均值为零,单位标准差。这些数据公开的目的是让研究人员能够开发方法,使医院能够快速预测并可能识别SARS-CoV-2阳性患者。我们发现,通过全血细胞计数随机森林,浅层学习和灵活的ANN模型预测SARS-CoV-2患者在常规病房人群(AUC = 94-95%)和未入院或社区人群(AUC=80-86%)之间具有较高的准确性。这里,AUC是受试者工作特征曲线下面积,是模型性能的度量。此外,4种血细胞计数的简单线性组合可用于使社区内患者的AUC为85%。来自SARS-CoV-2阳性患者的不同血液参数的标准化数据显示血小板、白细胞、嗜酸性粒细胞、嗜碱性粒细胞和淋巴细胞减少,单核细胞增加。
2021-04-12 q-bio.QM stat.AP
Predicting inhibitors for SARS-CoV-2 RNA-dependent RNA polymerase using machine learning and virtual screening
由新发现的SARS- CoV-2冠状病毒引起的全球冠状病毒疾病大流行(COVID-19)继续夺去全球数千人的生命。由于无法获得治疗COVID-19的特定药物,因此使用各种方法(包括计算分析)进行药物重新定位。这种分析主要依赖于分子对接,并且需要靶蛋白的3D结构可用。在这项研究中,我们利用了一组机器学习算法,并在RNA依赖性RNA聚合酶(RdRp)抑制剂的数据集上训练它们,仅基于配体信息对抗病毒和抗炎药物进行推理分析。我们还对机器学习模型预测的候选药物进行了虚拟筛选分析,并将其与SARS- CoV-2 RdRp的活性位点对接,这是病毒复制机制的关键组成部分。基于RdRp抑制剂的配体信息,机器学习模型能够识别出候选物,如瑞德西韦和baloxavir marboxil,这些分子对新型冠状病毒的RdRp具有记录的活性。在其他确定的候选药物中,有贝卡布韦,一种丙型肝炎病毒(HCV)RdRp酶的非核苷抑制剂,以及HCV蛋白酶抑制剂帕利匹韦和法尔达匹韦。对这些候选物使用针对SARS-CoV-2 RdRp的分子对接的进一步分析揭示了针对酶活性位点的低结合能。我们的方法还确定了抗炎药物羽扇豆醇,lifitegrast,antrafenine,桦木酸和熊果酸对SARS-CoV-2 RdRp具有潜在的活性。我们建议考虑进一步验证本研究的结果,作为对抗COVID-19的潜在治疗选择。
2020-06-09 q-bio.BM q-bio.QM
Ivermectin and Doxycycline Combination as a Promising Drug Candidate Against SARS-CoV-2 Infection: A Computational Study
在本研究中,我们已经描述了如何通过使用分子对接和分子动力学(MD)模拟研究伊维菌素和多西环素的组合药物可以作为一个潜在的抑制剂,SARS-CoV-2病毒。为了替代迄今为止无法获得COVID-19的特异性治愈,医疗从业者/科学家已经探索了用于CoV-2感染的治疗目的的单独和组合药物的各种可能性。$3CL^{pro}$是SARS-CoV-2病毒的主要蛋白酶,在介导病毒在人体内复制中起重要作用。$3CL^{pro}$蛋白可以作为一个有吸引力的药物靶点。在这项工作中,我们研究了药物:$3CL^{pro}$相互作用的计算机分子对接和MD模拟方法。目前,临床常用的抗病毒药物伊维菌素、强力霉素及其联合应用已被证明是有效的候选药物。
2020-11-08 physics.bio-ph physics.med-ph q-bio.QM
Bayesian Re-Analysis of the Phylogenetic Topology of Early SARS-CoV-2 Case Sequences
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
该研究通过修正贝叶斯推理中的根本错误,证明早期SARS-CoV-2病例序列的系统发育分析支持单一引入而非双重引入。
2026-02-06 q-bio.PE q-bio.QM
Robust Representation and Efficient Feature Selection Allows for Effective Clustering of SARS-CoV-2 Variants
Georgia State University(佐治亚州立大学)
由于COVID-19大流行,SARS-CoV-2病毒的大量基因组数据广泛可用,这为研究人员提供了一个机会,可以在不同于之前任何病毒的细节水平上分析这种疾病。这将有助于生物学家,政策制定者和其他当局做出及时和适当的决定,以控制冠状病毒的传播。另一方面,此类研究将有助于更有效地应对未来任何可能的大流行。由于SARS-CoV-2病毒包含不同的变体,每个变体都有不同的突变,因此对这些数据进行任何分析都是一项艰巨的任务。众所周知,SARS-CoV-2基因组中的大部分变异不成比例地发生在基因组序列的刺突区域--编码刺突蛋白的相对较短的区域。因此,在本文中,我们提出了一种聚类刺突蛋白序列的方法,以研究在世界各地以非常高的速度增加的不同已知变体的行为。我们使用基于k-mers的方法首先生成一个固定长度的特征向量表示的尖峰序列。然后,我们表明,与适当的特征选择,我们可以有效地和有效地聚类的尖峰序列的基础上的不同的变体。使用一组公开的SARS-CoV-2尖峰序列,我们进行聚类这些序列使用硬和软聚类方法,并表明,与我们的特征选择方法,我们可以实现更高的F1分数的集群。
2021-10-18 cs.LG q-bio.QM
Tetracycline as an inhibitor to the coronavirus SARS-CoV-2
冠状病毒SARS-CoV-2仍然是全球范围内对公共卫生的现存威胁。当SARS-CoV-2的刺突蛋白与细胞受体血管紧张素转换酶2(ACE 2)结合时,细胞感染开始。在这里,我们解决的作用四环素作为受体结合结构域(RBD)的刺突蛋白的抑制剂。靶向分子研究表明,与氯喹(-6.31 kcal/mol)或多西环素(-8.08 kcal/mol)相比,四环素更有利于与RBD(-9.40 kcal/mol)结合,并在更大程度上抑制与ACE 2的结合(四环素-RBD的结合效率为2.98 $\frac{\text{kcal}}{\text{mol}\cdot \text{nm}^2}$,氯喹-RBD的结合效率为5.59 $\frac{\text{kcal}}{\text{mol}\cdot \text{nm}^2}$,多西环素-RBD的结合效率为5.16 $\frac{\text{kcal}}{\text{mol}\cdot \text{nm}^2}$)。用非平衡PMF计算验证了更强的四环素抑制作用,四环素-RBD复合物沿着ACE 2的解离途径表现出最低的自由能分布。四环素似乎靶向病毒残基,这些残基通常参与与ACE 2的显著氢键结合;这种对细胞感染的抑制补充了四环素的抗炎和细胞因子抑制能力,并可能进一步减少冠状病毒SARS-CoV-2诱导的ICU停留和机械通气的持续时间。
2020-08-13 q-bio.BM q-bio.QM
Evolution and Pathogenicity of SARS-CoVs: A Microcanonical Analysis of Receptor-Binding Motifs
Universidade Tecnológica Federal do Paraná(巴拉那联邦技术大学)
通过微-canonical分析研究SARS-CoV受体结合基序的序列变异,揭示其折叠动力学、热稳定性和溶解性,以理解病毒进化和致病性差异,改进治疗和疫苗研发。
2025-02-28 cond-mat.stat-mech physics.bio-ph q-bio.QM
Evolutionary trend of SARS-CoV-2 inferred by the homopolymeric nucleotide repeats
严重急性呼吸系统综合征冠状病毒2(SARS-CoV-2)是目前全球COVID-19大流行的病原体,已造成数百万人死亡。了解冠状病毒的人畜共患进化可能为开发有效疫苗,监测传播趋势和预防新的人畜共患感染提供见解。同源多聚核苷酸重复序列(homopolymericnucleotiderepeats,HP)是最简单的串联重复序列,是真核生物基因组中普遍存在的特征。然而,HP在冠状病毒基因组进化中的分布和作用研究得很少。在这项研究中,我们描述了蝙蝠和人类冠状病毒和SARS-CoV-2变异体基因组中的HP分布和趋势。结果表明,SARS-CoV-2基因组中HP含量丰富,且在进化过程中HP含量增加。特别是在人类宿主中,冠状病毒的HP poly-(A/T)和poly-(C/G)的差异随着进化而增加。HP poly-(A/T)和poly-(C/G)的差异与宿主适应性和病毒毒力水平有关。因此,我们建议HP差异可以作为冠状病毒人畜共患进化水平的定量度量。特别地,HP差异测量推断SARS-CoV-2 Omicron变体具有HP poly-(A/T)和poly-(C/G)的高度差异,表明对人类宿主的高度适应。
2022-01-01 q-bio.PE q-bio.QM stat.AP
SARS-Cov-2 RNA Sequence Classification Based on Territory Information
Beihang University(北京航空航天大学)
CovID-19基因分析对于确定病毒类型、病毒变体和评估疫苗至关重要。本文研究了与地区或领土相关的SARS-Cov-2 RNA序列分析。通过将SARS-Cov-2 RNA序列投影到不同的维度空间,并根据预训练SVM模型的输出概率对其进行评分,构建了一个具有不同遗传长度(从短到长)和混合碱基的序列SVM模型的统一框架,以探索SARS-Cov-2的地域或起源信息。在数据分析中还讨论了训练集和测试集的不同样本量比例。基于GISAID数据库构建了两个SARS-Cov-2 RNA分类任务,一个是中国大陆、香港和台湾的分类任务,另一个是7大洲的6类分类任务(非洲、亚洲、欧洲、北美、南美、中美洲、大洋)。对于中国的3类分类,Top-1正确率可达82.45%(训练= 60%,测试= 40%),对中国2级分类,Top-1正确率可达97.35%(训练80%,测试20%),对于世界6级分类任务,当训练集与测试集的比例为20:80时,Top-1的准确率可达30.30%。同时,也给出了一些Top-N结果。
2021-01-09 cs.LG q-bio.QM stat.CO
DEEMD: Drug Efficacy Estimation against SARS-CoV-2 based on cell Morphology with Deep multiple instance learning
Simon Fraser University(西蒙弗雷泽大学);University of British Columbia(不列颠哥伦比亚大学)
药物再利用可以加速识别临床使用的有效化合物,以对抗SARS-CoV-2,具有预先存在的临床安全数据和建立的供应链的优势。RNA病毒如SARS-CoV-2操纵细胞通路并诱导亚细胞结构重组以支持其生存周期。这些形态学变化可以使用生物成像技术进行定量。在这项工作中,我们开发了DEEMD:在多实例学习框架内使用深度神经网络模型的计算管道,以基于对公开可用的RxRx 19 a数据集的形态学分析来识别对SARS-CoV-2有效的推定治疗。该数据集由SARS-CoV-2未感染细胞和感染细胞的荧光显微镜图像组成,有和没有药物治疗。DEEMD首先从未感染和感染的细胞中提取有区别的形态学特征以生成细胞形态学轮廓。然后,这些形态学特征用于统计模型中,以基于与未感染细胞的相似性来估计对感染细胞施加的治疗功效。DEEMD能够通过弱监督定位受感染的细胞,而无需任何昂贵的像素级注释。DEEMD鉴定了已知的SARS-CoV-2抑制剂,如Remdesivir和Aloxistatin,支持我们方法的有效性。可以探索DEEMD用于其他新兴病毒和数据集,以在未来快速识别候选抗病毒治疗。我们的实现可以在https://www.github.com/Sadegh-Saberian/DEEMD上获得
2022-06-16 cs.CV cs.LG q-bio.QM
A Preliminary Investigation in the Molecular Basis of Host Shutoff Mechanism in SARS-CoV
最近导致COVID-19全球大流行的事件证明了基因组测序技术在建立该病毒基因序列方面的有效使用。相比之下,COVID-19大流行表明缺乏计算方法来快速了解这种感染的分子基础。在这里,我们提出了一个综合的方法来研究的nsp 1蛋白在SARS-CoV-1,这在维持病毒蛋白的表达,并进一步禁用宿主蛋白的表达,也被称为主机关闭机制中起着至关重要的作用。我们提出了三个独立的方法来评估两个潜在的结合位点推测参与主机关闭nsp 1。我们结合了nsp 1计算模型的结果,深入挖掘所有现有的蛋白质结构(使用PDBMine)和结合位点识别(使用msTALI),以检查由残基55-59和73-80组成的两个位点。根据我们的初步结果,我们得出结论,残基73-80出现的区域,促进关键的初始步骤的nsp 1的功能。鉴于来自SARS-CoV-1和SARS-CoV-2的nsp 1之间90%的序列同一性,我们推测COVID-19 nsp 1功能中相同的关键起始步骤。
2020-07-23 cs.CE q-bio.BM q-bio.QM
Vaxformer: Antigenicity-controlled Transformer for Vaccine Design Against SARS-CoV-2
University of Edinburgh(爱丁堡大学);The Alan Turing Institute(艾伦·图灵研究所);University of Gdańsk(格但斯克大学);University of Victoria(维多利亚大学)
提出条件蛋白质语言模型Vaxformer,生成抗原性受控的SARS-CoV-2刺突蛋白,在稳定性和抗原性评估中优于现有模型,为通用疫苗设计提供新方法。
2023-05-18 cs.LG q-bio.BM q-bio.QM
Risk Estimation of SARS-CoV-2 Transmission from Bluetooth Low Energy Measurements
Fraunhofer Heinrich Hertz Institute(弗劳恩霍夫海因里希·赫兹研究所);Technische Universität Berlin(柏林工业大学);Korea University(高丽大学);Max Planck Institute for Informatics(马克斯·普朗克信息学研究所)
基于蓝牙低功耗(BLE)的数字接触追踪方法有可能有效地控制和延迟传染病的爆发,例如正在进行的SARS-CoV-2大流行。在这项工作中,我们提出了一种新的机器学习为基础的方法,可靠地检测科目,花了足够的时间在接近被感染的风险。我们的研究是一个重要的概念证明,将有助于旨在减缓COVID-19快速传播的一系列流行病学政策。
2020-04-22 cs.LG q-bio.PE q-bio.QM