DPCIPI：一种用于预测甲型流感 H3N2 漂移毒株间交叉免疫力的预训练深度学习模型
计算工程、金融与科学
2023-10-18 v2
摘要
预测病毒毒株间的交叉免疫力对公共卫生监测和疫苗开发至关重要。传统神经网络方法（如 BiLSTM）可能因缺乏用于模型训练的实验室数据以及序列拼接中关键特征被掩盖而失效。本工作提出一种较少消耗数据的模型，结合了预训练基因序列模型与互信息推断算子。我们的方法利用基因比对与去重算法预处理基因序列，增强模型辨别并关注输入基因对间差异的能力。该模型即 DNA 预训练交叉免疫保护推断模型（DPCIPI），在仅从流感病毒基因序列预测血凝抑制滴度上优于最先进（SOTA）模型。二分类交叉免疫预测的 F1 提升 1.58%、精确率提升 2.34%、召回率提升 1.57%、准确率提升 1.57%。对于多级交叉免疫，F1 提升 2.12%、精确率提升 3.50%、召回率提升 2.19%、准确率提升 2.19%。我们的研究凸显了预训练基因模型在革新基因序列相关预测任务上的潜力。随着更多基因序列数据被利用和更大模型被训练，我们预见预训练模型将对临床与公共卫生应用产生重大影响。
引用
@article{arxiv.2302.00926,
title = {DPCIPI: A pre-trained deep learning model for predicting cross-immunity between drifted strains of Influenza A/H3N2},
author = {Yiming Du and Zhuotian Li and Qian He and Thomas Wetere Tulu and Kei Hang Katie Chan and Lin Wang and Sen Pei and Zhanwei Du and Xiao-Ke Xu and Xiao Fan Liu},
journal= {arXiv preprint arXiv:2302.00926},
year = {2023}
}