[论文解读] 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 5

一句话总结

Virus2Vec 是一种无需比对的机器学习框架，利用最小化子（minimizers）和位置权重矩阵（PWM）为病毒核酸和氨基酸序列生成紧凑的序列嵌入，实现对冠状病毒和狂犬病病毒宿主的精准预测。该方法在显著降低运行时间的同时，实现了最先进的分类准确率，优于基于比对及其他嵌入方法。

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.

研究动机与目标

• 开发一种高效、无需比对的病毒宿主分类方法，基于序列数据。
• 改进现有序列嵌入技术，避免计算成本高昂的多序列比对。
• 利用刺突蛋白和基因组序列，实现对 SARS-CoV-2 和狂犬病病毒等人畜共患病毒的可扩展、精准宿主预测。
• 在宿主分类准确率和推理速度方面，证明其优于基线方法和当前最先进方法的性能。
• 提供一种适用于未组装短读长数据的框架，支持在宏基因组学和疫情监测场景中的广泛应用。

提出的方法

• Virus2Vec 通过两步法从未比对的病毒序列中生成特征向量：首先，在输入序列中识别最小化子——代表序列区域的小型唯一 k-mer。
• 其次，基于序列中最小化子频率计算位置权重矩阵（PWM），以捕捉局部基序模式和位置偏倚。
• 最小化子-PWM 的组合表示形成紧凑的数值特征向量，既保留生物学相关性，又支持向量空间中的机器学习。
• 该方法通过利用最小化子的组合稳定性与 PWM 的统计能力，避免了序列比对，从而建模保守的功能基序。
• 该方法支持核酸和氨基酸序列，并兼容多种下游分类器，包括 SVM、随机森林和逻辑回归。
• 该框架设计为可扩展且高效，嵌入生成的计算开销极低，尤其相较于基于比对或深度学习的替代方法具有显著优势。

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.

实验结果

研究问题

• RQ1 基于最小化子和 PWM 的无需比对嵌入方法，是否能在病毒序列的宿主分类准确率上优于依赖比对的基线方法？
• RQ2 Virus2Vec 在预测病毒宿主方面，与当前最先进方法（如 Spike2Vec、PWM2Vec 和 PWN2Vec）相比表现如何？
• RQ3 Virus2Vec 在保持或提升预测性能的同时，能在多大程度上降低嵌入生成的计算成本？
• RQ4 Virus2Vec 是否能仅使用刺突蛋白或基因组序列，泛化应用于多样化的病毒家族（如冠状病毒科和弹状病毒科）？
• RQ5 Virus2Vec 是否适用于未组装的短读长数据，从而支持实时基因组监测和宏基因组分析？

主要发现

• Virus2Vec 在对齐的刺突蛋白序列上取得了 0.877 的最高宏 F1 分数和 0.94 的 AUC，优于所有基线和 SOTA 方法。
• 该方法在逻辑回归上达到 87% 的准确率，在随机森林上达到 86%，显著超过次优方法 PWM2Vec 的 2–3 个百分点。
• 与 LSTM 和 GRU 模型超过 16,000 秒的训练时间相比，Virus2Vec 将嵌入生成的训练时间缩短至 105.45 秒（SVM）和 5.57 秒（逻辑回归）。
• 该框架在刺突序列（冠状病毒科）和全基因组序列（狂犬病病毒）上均表现出色，证实其在不同病毒家族间的泛化能力。
• Virus2Vec 在所有指标上（包括宏 F1、AUC 和精确率）均优于近似核方法和 PWN2Vec 方法，同时保持低运行时间。
• 该方法的无需比对设计使其能够高效处理大规模真实病毒序列数据，适用于快速疫情响应和基因组监测。

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).