冠状病毒在自然界广泛分布，属于冠状病毒科。它们是带有包膜颗粒的RNA病毒，其基因组为单链正链。国际病毒分类委员会（ICTV）将冠状病毒分为α、β、γ和δ属。报道了7种具有人类感染表型的冠状病毒：人冠状病毒（HCoV）229E、OC43、NL63和HKU1；严重急性呼吸综合征冠状病毒（SARS-CoV和SARS-CoV-2）；中东呼吸综合征冠状病毒（MERS-CoV）。SARS-CoV、MERS-CoV和SARS-CoV-2具有高度传染性，在本世纪已引起流行病或严重流行病。
随着动物源冠状病毒与病毒抗原的新颖性的跨物种传播，大流行的爆发将造成严重的经济和社会损失。冠状病毒的自然宿主是自然界中的蝙蝠，这些病毒性病原体通过中间宿主(果子狸和单峰骆驼)传播给人类。不幸的是，虽然高度怀疑穿山甲，但SARS-Cov-2的中间宿主尚不清楚。冠状病毒可通过点突变和基因组重组机制跨越物种屏障感染人类。随着测序技术的快速发展和疾病监测的巨大努力，将大规模获取动物冠状病毒基因组数据。提出动物源性冠状病毒大流行风险预测模型，有利于传染病防控的早期预警。
深度学习近年来发展迅速，引发了语音识别、图像理解、自然语言处理等应用领域的变化。递归神经网络(RNN)是一种用于处理序列数据的神经网络，具有捕捉时间序列固有特征的能力。由于基因组也是由四个字母单元组成的长链，rnn可以提取生物序列的特征，并可以预测冠状病毒感染的表型。虽然深度学习方法在生物学和医学上有很多应用，但需要对冠状病毒基因组数据进行预处理，以使数学网络的设计更加合理。病毒颗粒表面的刺突蛋白是冠状病毒最重要的表面膜蛋白，负责与宿主细胞膜受体的结合和膜融合。它在跨物种感染中起着非常重要的作用。其他病毒蛋白对新宿主内部环境的适应也影响病毒的复制。在对病毒感染建模时需要考虑这些事实，应该使用人工基因组数据来增加刺突蛋白的权重，并建立一个稳健的模型。
我们构建了一个预测模型，命名为CCSI-DL。该模型结合了双向GRU和一维卷积，并使用冠状病毒的基因组序列作为直接输入，预测人类感染的大流行风险。我们使用单组和多组冠状病毒基因组数据对CSSI-DL模型进行了训练和测试，获得了良好的性能(1个用于AUROC, 1个用于AUPR)。再训练实验表明，该模型具有良好的迁移学习能力，能够正确预测刺突蛋白编码区基因组重组的人工负数据。此外，我们还尝试使用该工具预测来自巴西、英国、南非和印度的SARS-Cov-2突变体的基因组数据，并达到了100%的预测准确率。
冠状病毒的基因组序列长度约为27-32kb。我们将病毒基因组的长序列分割成十段，以提高预测模型的性能。与传统的机器学习方法相比，深度学习模型掌握了冠状病毒全基因组的特征，并能稳健地预测跨物种病毒感染的风险。尽管端到端模型易于提取特征，且建模灵活，但预测结果的可解释性有待进一步考虑，这将有助于加深对跨物种冠状病毒感染机制的理解。
评论