基于卷积神经网络的 SARS-CoV-2 变异株分类——利用 Epistatical Circos 图
系统与控制
2026-02-10 v2 人工智能
系统与控制
摘要
新冠肺炎疫情深刻影响全球健康，由 SARS-CoV-2 病毒的高度传播性和突变适应性所致。尽管已识别出五种关注变异株：Alpha、Beta、Gamma、Delta 和 Omicron，但本研究中的分类任务使用四个类别：Alpha、Delta、Omicron 和 Else，反映了数据集中序列可用性和时间覆盖范围。本文开发了一个集成框架，将直接偶联分析（DCA）、Circos 可视化和卷积神经网络（CNN）相结合，用于从大规模 SARS-CoV-2 基因组序列中表征特定血统的表观遗传特征。将 DCA 推断的两两突变偶联转换为 Circos 图像，然后用作 CNN 分类模型的输入。该方法框架实现了稳健的变异株分类，最佳表现模型达到加权平均 F1 分数 ，AUC 接近 1。
引用
@article{arxiv.2601.22865,
title = {Degradation-Aware Frequency Regulation of a Heterogeneous Battery Fleet via Reinforcement Learning},
author = {Tanay Raghunandan Srinivasa and Vivek Deulkar and Jia Bhargava and Mohammad Hajiesmaili and Prashant Shenoy},
journal= {arXiv preprint arXiv:2601.22865},
year = {2026}
}
备注
11 pages, 2 figures