网络嵌入揭示哺乳动物病毒组中的隐藏相互作用

迄今全球病毒组中仅采样了至多 1-2%。近期工作表明，预测哪些宿主-病毒相互作用是可能但未被发现或未实现的，从根本上说是一个网络科学问题。本文中，我们开发了一种新方法，将粗粒度推荐系统（线性滤波；LF）与基于低秩图嵌入（奇异值分解；SVD）的填补算法相结合，以推断宿主-病毒关联。该技术组合产生基于可直接度量的网络性质（密度、度分布）的知情初始猜测，并通过 SVD（能利用涌现特征）精炼。利用该方法，我们恢复了高度可信的未发现相互作用，其带有强烈的病毒协同进化历史信号，并揭示了亚马逊雨林中一个由极独特但未被采样（或未实现）的宿主-病毒相互作用构成的全球热点。我们开发了若干检验以量化这些预测偏差与真实性，并表明 LF-SVD 方法在各层面均稳健。最后我们展示，对填补网络的图嵌入可用于改进基于病毒基因组特征的人类感染预测，表明哺乳动物-病毒网络的全局结构为人类疾病涌现提供了额外见解。