SCoV: a frame-gated cross-modal model for identifying viral sequences in short metagenomic fragments
SCoV 是一种紧凑的、框架门控的跨模态神经网络，通过在无需显式 ORF 注释的情况下联合编码核苷酸和六框密码子表示，能够准确识别宏基因组数据中的短病毒序列，并且与现有基准相比，在不同生境中实现了卓越的性能和泛化能力。
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
病毒是地球上数量最多的生物实体，在从调节微生物生态系统到影响人类健康等各个方面都发挥着至关重要的作用。几十年来，科学家们一直难以对其进行研究，因为大多数病毒无法在实验室中培养；相反，研究人员必须依赖二代测序技术，直接从海水、土壤或人类肠道等环境样本中读取遗传物质。这个过程被称为宏基因组学，就像是通过阅读大量杂乱堆放的图书馆中零碎、撕裂的页面，来试图识别特定的书籍。挑战在于，这些遗传片段通常极其短小且携带的信息非常有限，这使得很难判断一段 DNA 是属于病毒，还是属于与其共享环境的细菌和其他生物。此外，这些短片段中的遗传密码具有模糊性；如果不知道基因的确切起点和终点，就很难确定该序列实际上是在编码病毒，还是仅仅是随机噪声。
为了解决这个问题，来自仲恺农业工程学院和暨南大学的研究团队开发了一种名为 SCoV 的新计算机模型。该工具专门设计用于在不需要预先知道基因确切边界的情况下，从短小的、碎片化的遗传数据中寻找病毒序列。研究人员在数百万个遗传片段上训练了该模型，教会它同时从两种不同的方式来观察 DNA。首先，它检查核苷酸（DNA 的化学构建模块）的原始序列，以捕捉病毒中常见的局部模式。其次，更具创新性的是，它将同一序列翻译成六种不同的潜在阅读框。由于遗传密码是以三个字母为一组进行读取的，且起始点可以移动一个或两个字母，因此单条 DNA 链可以有六种不同的读取方式。该模型同时分析所有六种可能性，以观察其中是否能揭示出典型的病毒蛋白质编码信号。
SCoV 的核心创新在于它如何结合这两个视角。该模型并非简单地对结果取平均值或选择最可能的阅读框，而是使用了一个被称为“框架门控”（frame-gated）的系统，其作用类似于一个动态过滤器。它会根据“终止”信号（即结束基因的信号）的存在，计算每个阅读框正确的可能性。如果某个特定的阅读框包含过多的终止信号，模型就会学会忽略它；如果某个阅读框看起来很有前景，模型则会对其投入更多注意力。这使得系统能够将原始 DNA 模式与潜在的蛋白质编码信息进行融合，并以一种能够适应片段不确定性的方式进行处理。其结果是一个紧凑且高效的工具，不需要庞大的已知病毒数据库或昂贵的预训练语言模型即可运行。
在针对 300 和 500 个碱基长度片段的内部数据集进行测试时，SCoV 被证明是评估过的工具中最准确的方法。它正确识别病毒序列的 F1 分数在较短片段中为 0.8836，在较长片段中为 0.9184，显著超过了现有的次优工具。研究人员还在来自三种完全不同环境的真实世界数据上测试了该模型：南极海水、农业土壤和人类肠道。在每种情况下，SCoV 都达到了最高的准确度，证明了它可以在病毒信号微弱且与其他遗传物质混合的多种栖息地中实现良好的泛化。该模型也非常小巧，仅包含约 0.436 百万个参数，且占用不到 36 MB 的计算机内存，这使其适用于在标准硬件上进行大规模筛选。
该研究证实，将短小的遗传片段视为原始 DNA 与潜在蛋白质编码信号的结合体是一种强大的策略。通过明确考虑阅读框的不确定性，并允许模型动态地权衡不同的可能性，SCoV 克服了以往方法的局限性——以往的方法要么忽略了编码潜力，要么依赖于僵化的、预定义的基因结构。虽然该模型的处理速度比一些旧的、简单的工具稍慢，但其卓越的准确度和低内存占用的特性，使其成为大规模宏基因组数据集初步筛选的实用选择。这项工作提供了一种高效的新方法，通过在自然界的遗传噪声中搜寻，找出隐藏其中的病毒，从而为塑造我们星球的病毒景观提供了更清晰的视野。
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。