[논문 리뷰] Virus2Vec: Viral Sequence Classification Using Machine Learning

Sarwan Ali, Babatunde Kazeem Bello외 5명|arXiv (Cornell University)|2023. 04. 24.

Rabies epidemiology and control인용 수 5

한 줄 요약

Virus2Vec는 최소화자(minimizers)와 위치 가중치 행렬(PWM)을 사용하여 바이러스의 핵산서열 및 아미노산 서열에 대해 정렬을 고려하지 않은 기계학습 프레임워크로, 코로나바이러스 및狂犬病 바이러스의 숙주 예측을 정확하게 수행한다. 정렬 기반 및 기타 임bedding 방법과 비교해 런타임을 크게 단축하면서도 최신 기술 수준의 분류 정확도를 달성한다.

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.

연구 동기 및 목표

• 서열 데이터를 이용해 효율적이고 정렬을 고려하지 않은 바이러스 숙주 분류 방법을 개발하기 위해.
• 계산 비용이 많이 들는 다중 서열 정렬을 필요로 하는 기존 서열 임베딩 기법을 개선하기 위해.
• SARS-CoV-2 및 라이바스 바이러스와 같은 동물원감염성 바이러스에 대해 스파이크 서열 및 게놈 서열을 이용해 확장 가능하고 정확한 숙주 예측을 가능하게 하기 위해.
• 기본 및 최신 기술 수준의 방법들과 비교해 숙주 분류 정확도와 추론 속도 면에서 뛰어난 성능을 보여주기 위해.
• 조립되지 않은 짧은 리드 데이터에 적용 가능한 프레임워크를 제공하여 메타게놈 분석 및 유행병 감시 환경에서 널리 활용할 수 있도록 하기 위해.

제안 방법

• Virus2Vec는 입력 서열 전역에서 최소화자—작고 고유한 k-메르로 구성된 서열 영역을 식별함으로써 정렬되지 않은 바이러스 서열에서 특징 벡터를 생성한다.
• 두 번째 단계로, 서열 전반에 걸친 최소화자 빈도를 기반으로 위치 가중치 행렬(PWM)을 계산하여 국소 모티프 패턴과 위치적 편향을 포착한다.
• 최소화자-PWM 조합 표현은 생물학적 의미를 유지하면서도 벡터 공간 기반 기계학습을 가능하게 하는 압축된 수치형 특징 벡터를 형성한다.
• 이 방법은 최소화자의 조합적 안정성과 PWM의 통계적 힘을 활용하여 정렬을 피함으로써 기능적으로 보존된 모티프를 모델링한다.
• 핵산서열과 아미노산서열 모두를 지원하며, SVM, 랜덤 포레스트, 로지스틱 회귀와 같은 다양한 후행 분류기와 호환된다.
• 이 프레임워크는 계산 오버헤드가 최소화된 채로 확장 가능하고 효율적인 임베딩 생성을 위해 설계되었으며, 정렬 기반 또는 딥러닝 기반 대안들에 비해 뛰어난 성능을 발휘한다.

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.

실험 결과

연구 질문

• RQ1 최소화자와 PWM 기반의 정렬을 고려하지 않은 임베딩 방법이 정렬 기반 기준선에 비해 바이러스 서열의 숙주 분류 정확도에서 뛰어난 성능을 낼 수 있는가?
• RQ2 Spike2Vec, PWM2Vec, PWN2Vec와 같은 최신 기술 수준의 정렬을 고려하지 않은 방법들과 비교해 Virus2Vec의 성능은 어떻게 되는가?
• RQ3 Virus2Vec는 예측 성능을 유지하거나 향상시키면서도 임베딩 생성의 계산 비용을 어느 정도 줄일 수 있는가?
• RQ4 스파이크 서열 또는 게놈 서열만을 사용해도 Virus2Vec가 코로나비르ัส과 라이바드비르스와 같은 다양한 바이러스 가족에 일반화될 수 있는가?
• RQ5 Virus2Vec는 조립되지 않은 짧은 리드 데이터에 적용 가능하여 실시간 게놈 감시 및 메타게놈 분석에 활용될 수 있는가?

주요 결과

• Virus2Vec는 정렬된 스파이크 단백질 서열에서 최고의 매크로 F1 스코어 0.877과 AUC 0.94를 기록하여 모든 기준 및 최신 기술 수준의 방법들을 능가했다.
• 로지스틱 회귀에서는 87%의 정확도, 랜덤 포레스트에서는 86%의 정확도를 기록하여 다음으로 우수한 방법인 PWM2Vec보다 각각 2~3%p 높았다.
• 임베딩 생성을 위한 학습 시간은 SVM 기준 105.45초, 로지스틱 회귀 기준 5.57초로, LSTM 및 GRU 모델의 16,000초 이상을 훨씬 상회하는 것으로 단축되었다.
• 프레임워크는 코로나비르ัส과 관련된 스파이크 서열뿐 아니라 라이바스 바이러스의 전체 게놈 서열에서도 뛰어난 성능을 보여, 다양한 바이러스 가족에 걸쳐 일반화 가능성을 확인했다.
• 정확도, AUC, 정밀도 등 모든 지표에서 Approximate Kernel 및 PWN2Vec 방법들을 능가했으며, 낮은 런타임을 유지했다.
• 정렬을 고려하지 않는 설계 덕분에 대규모 실세계 바이러스 서열 데이터를 효율적으로 처리할 수 있어, 빠른 유행병 대응 및 게놈 감시에 적합하다.

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).