[論文レビュー] Virus2Vec: Viral Sequence Classification Using Machine Learning

Sarwan Ali, Babatunde Kazeem Bello+5 more|arXiv (Cornell University)|Apr 24, 2023

Rabies epidemiology and control被引用数 5

ひとこと要約

Virus2Vec は、ミニマライザーと位置加重行列（PWM）を用いて、ウイルスのヌクレオチドおよびアミノ酸配列のコンパクトな埋め込み表現を生成する、アライメントフリーな機械学習フレームワークであり、コロナウイルスおよび狂犬病ウイルスの宿主予測を高精度で実現する。アライメントベースおよび他の埋め込み手法と比較して、著しく短い実行時間で最先端の分類精度を達成する。

ABSTRACT

Understanding the host-specificity of different families of viruses sheds light on the origin of, e.g., SARS-CoV-2, rabies, and other such zoonotic pathogens in humans. It enables epidemiologists, medical professionals, and policymakers to curb existing epidemics and prevent future ones promptly. In the family Coronaviridae (of which SARS-CoV-2 is a member), it is well-known that the spike protein is the point of contact between the virus and the host cell membrane. On the other hand, the two traditional mammalian orders, Carnivora (carnivores) and Chiroptera (bats) are recognized to be responsible for maintaining and spreading the Rabies Lyssavirus (RABV). We propose Virus2Vec, a feature-vector representation for viral (nucleotide or amino acid) sequences that enable vector-space-based machine learning models to identify viral hosts. Virus2Vec generates numerical feature vectors for unaligned sequences, allowing us to forego the computationally expensive sequence alignment step from the pipeline. Virus2Vec leverages the power of both the \emph{minimizer} and position weight matrix (PWM) to generate compact feature vectors. Using several classifiers, we empirically evaluate Virus2Vec on real-world spike sequences of Coronaviridae and rabies virus sequence data to predict the host (identifying the reservoirs of infection). Our results demonstrate that Virus2Vec outperforms the predictive accuracies of baseline and state-of-the-art methods.

研究の動機と目的

• シーケンスデータを用いた、効率的でアライメントフリーなウイルス宿主分類手法の開発を目的とする。
• 計算コストの高い多次元アラインメントを必要とする、従来のシーケンス埋め込み技術の改善を目的とする。
• SARS-CoV-2 や狂犬病ウイルスなどのズーノティックウイルスのスパイクおよびゲノム配列を用いて、スケーラブルかつ高精度な宿主予測を可能とすることを目的とする。
• ベースラインおよび最先端手法と比較して、宿主分類精度と推論速度の両面で優れた性能を示すことを目的とする。
• アンアセンブルドされたショートリードデータにも適用可能なフレームワークを提供することを目的とする。これにより、メタゲノム解析やアウトブレイク監視の分野での幅広い応用が可能となる。

提案手法

• Virus2Vec は、入力シーケンス全体にわたってミニマライザー（小さな一意な k マーク）を特定することで、アラインメントされていないウイルスシーケンスから特徴ベクトルを生成する二段階のプロセスを採用する。
• 第二段階として、シーケンス全体にわたるミニマライザーの頻度に基づいて位置加重行列（PWM）を計算し、局所的なモチーフパターンや位置バイアスを捉える。
• ミニマライザーと PWM の組み合わせによる表現は、生物学的意味を保持しつつ、ベクトル空間における機械学習が可能なコンパクトな数値特徴ベクトルを形成する。
• この手法は、ミニマライザーの組み合わせ的安定性と PWM の統計的パワーを活用することで、アライメントを回避し、保存された機能的モチーフをモデル化する。
• ヌクレオチドおよびアミノ酸配列の両方をサポートしており、SVM やランダムフォレスト、ロジスティック回帰などのさまざまな後続分類器と互換性がある。
• 計算のオーバーヘッドが最小限に抑えられ、特にアライメントベースやディープラーニングベースの代替手法と比較して、埋め込み生成のための計算コストが著しく低い、スケーラブルで効率的なフレームワークとして設計されている。

Figure 1: The coronavirus genome is 26–32kb in length. The structural genes include spike (S), envelope (E), membrane (M), and nucleocapsid (N). S region encodes the spike protein.

実験結果

リサーチクエスチョン

• RQ1 ミニマライザーと PWM を用いたアライメントフリーな埋め込み手法は、アライメント依存のベースラインと比較して、ウイルスシーケンスの宿主分類精度を向上させることができるか？
• RQ2 Spike2Vec や PWM2Vec、PWN2Vec などの最先端のアライメントフリー手法と比較して、Virus2Vec の性能はウイルス宿主予測においてどのように差をつけるか？
• RQ3 Virus2Vec は、予測性能を維持または向上させつつ、埋め込み生成における計算コストをどの程度低減できるか？
• RQ4 スパイク配列やゲノム配列のみを用いて、Coronaviridae や Rhabdoviridae などの多様なウイルス科に一般化可能か？
• RQ5 Virus2Vec は、アンアセンブルドされたショートリードデータにも適用可能であり、リアルタイムのゲノム監視やメタゲノム解析への応用が可能か？

主な発見

• Virus2Vec は、アラインメント済みスパイクタンパク質配列において、最高のマクロ F1 スコア 0.877 と AUC 0.94 を達成し、すべてのベースラインおよび SOTA メソッドを上回った。
• ロジスティック回帰では 87% の精度、ランダムフォレストでは 86% の精度を達成し、次に優れた手法（PWM2Vec）と比較して 2–3 パcentポイント以上顕著に上回った。
• 埋め込み生成のためのトレーニング時間を、LSTM や GRU モデルの 16,000 秒以上を大幅に下回る 105.45 秒（SVM）および 5.57 秒（ロジスティック回帰）に短縮した。
• このフレームワークは、コロナウイルス科のスパイク配列および狂犬病ウイルスの全ゲノム配列の両方で優れた性能を示し、ウイルス科を越えた一般化の可能性を確認した。
• F1（マクロ）、AUC、精度のすべての指標で、近似カーネル法および PWN2Vec に優る性能を示したが、同時に低ランタイムを維持した。
• アライメントフリーな設計のおかげで、大規模で現実のウイルス配列データの効率的処理が可能となり、急速なアウトブレイク対応およびゲノム監視に適したものとなった。

Figure 2: The rabies genome is 12kb in length and encodes five proteins Nucleoprotein (N), Phosphoprotein (P), Matrix Protein (M), Glycoprotein (G), and Polymerase (L).