InfluProto: Predicting Cross-Species Transmission of Influenza A Virus via Prototype Learning
该论文介绍了 InfluProto，这是一种利用原型学习来将甲型流感病毒宿主适应性量化为连续过程的深度学习模型，从而实现了高准确度的跨物种传播预测，并为大流行监测提供了一个有价值的工具。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
病毒是变幻莫测的大师，不断重写其遗传指令以求生存与传播。在这些可怕的病毒中，甲型流感病毒尤为突出，它们在动物与人类之间频繁跳跃。这种被称为“人畜共患传播”的跳跃，正是引发全球大流行的火星。几十年来，科学家一直依赖实验室实验来确定一种病毒更偏好哪种动物，以及它是否可能跳跃到人类身上。这些实验是金标准，但面对每年发现的数以千计的新型病毒株，它们既缓慢、昂贵，又难以开展。近年来，研究人员转向了计算机，希望仅通过阅读遗传密码就能预测病毒的行为。然而，大多数计算机模型将“哪种宿主？”这一问题视为在人类、猪或鸟这三个独立类别之间的简单选择。这种方法忽略了一个至关重要的生物学现实：病毒并不总是能整齐地归入某一个类别。许多毒株存在于灰色地带，以能够同时感染多种物种的方式进行进化，或者处于物种间的进化过渡阶段。
一组研究人员开发了一种名为 InfluProto 的新工具，它改变了我们看待这个问题的方式。InfluProto 不再强行将病毒塞进单一的框框，而是将宿主适应视为一段连续的旅程。想象一张地图，其中三个主要目的地是人类、猪和鸟。传统模型会要求病毒选择一个目的地并将其分配到那里。相比之下，InfluProto 则计算病毒距离这三个目的地分别有多远。这使得系统能够识别出处于猪与人类之间的中间状态的病毒，将其视为一种独特的、中间的状态，而非一个错误或分类失误。通过测量这些距离，该模型可以量化病毒接近感染新物种的能力，从而提供更细致且准确的风险图景。
研究人员利用深度学习框架构建了这个系统，该框架经过了近 30,000 条已知仅限于单一宿主物种的病毒序列的训练。他们教会了计算机识别定义适应人类、猪或鸟的病毒遗传模式。一旦训练完成，该模型不仅能对新病毒进行标记，还能将其置于一个连续的光谱之上。在对 2009 年大流行 H1N1 病毒（一种以具备感染人类和猪的双重能力而闻名的毒株）进行测试时，InfluProto 的表现显著优于标准的分类模型。旧模型往往因为其起源而将几乎所有的这类大流行病毒归类为“猪”，而 InfluProto 则正确识别出了让它们能在人类体内蓬勃发展的微妙遗传信号。它识别出这些病毒占据了一个中间地带，反映了它们作为物种间桥梁的真实本质。
除了识别宿主之外，该模型还揭示了驱动这些变化的特定遗传特征。通过分析计算机最关注病毒基因组的哪些部分，研究人员发现，模型关注的区域正是科学家已知对宿主跳跃至关重要的区域，例如负责病毒外壳及其内部机制的基因。该系统突出了遗传密码中已知能决定病毒能否感染人类或鸟类的特定位点。这表明计算机学习到了实际的生物学规则，而不仅仅是记忆模式。当研究人员模拟病毒基因混合的过程——即病毒与其他病毒交换基因组部分的“重配”过程时，模型检测到了宿主偏好的转变。它显示，将来自猪病毒的特定片段与来自人类病毒的片段进行交换，会使产生的混合体向人类端移动，从而准确预测了人类感染风险的增加。
这种方法的效用延伸到了追踪病毒随时间演化的过程。通过将该模型应用于多年收集的数千种大流行 H1N1 病毒，研究人员观察到，向人类宿主的距离呈现出波动变化。随着新变异株出现并取代旧变异株，模型检测到了它们对人类适应能力的转变，并往往能预判其传播能力的改变。这种衡量病毒与人类宿主“接近程度”的能力，为实时监测病毒进化提供了一种定量化的手段。研究人员通过一个交互式网站向公众开放了这一工具，允许科学家输入病毒序列，并立即查看它们在宿主适应光谱上的位置。
这项工作代表了从僵化的分类向对病毒行为的流动性理解的转变。通过承认宿主适应是一个连续的过程，Influ蛋白（InfluProto）为评估新兴病毒的威胁提供了一种更现实的方式。它并不声称能确定地预测未来，但它为监测提供了一个强大的新视角。随着世界面临越来越多的动物源性疾病，能够检测到标志着物种间跳跃的微妙遗传变化的工具，对于早期预警和防范将至关重要。该模型表明，最危险的病毒往往是那些无法整齐归入单一类别的病毒，通过测量它们在光谱上的位置，我们可以更好地理解它们下一步可能采取的路径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。