关键词： 大跨斜拉桥   拟静力响应   健康诊断   机器学习   结构健康监测   桥梁结构  

摘要： 交通运输是人民安全出行和经济社会运转的坚实保障，其中桥梁将江河、峡谷这样的交通天堑变为通途。大跨度桥梁承载重、服役环境恶劣、受力复杂，严重威胁桥梁服役安全。结构健康监测广泛应用于大跨桥梁，通过监测环境、荷载和结构响应对结构进行健康诊断。由于初始残余应力和缺陷、车辆和温度等荷载与结构损伤共同影响结构响应，监测数据包含桥梁状态及环境、荷载的综合信息，不能直接由结构响应数据诊断桥梁健康状态。如何挖掘与环境、荷载无关但与结构参数有关的特征是结构健康监测的核心科学问题之一。研究响应之间仅与结构参数有关的相关模式是一个切入点。本文基于机器学习挖掘数据相关特征的优势，探索监测数据的相关模式，以消去荷载与环境影响，提取结构信息，发现新健康指标，研究基于监测数据相关模式的健康诊断方法。本文主要研究内容如下：　　(1)研究大跨斜拉桥车致竖向变形相关模式与健康诊断方法。首先，将双侧拉索支撑桥梁横截面简化为简支梁模型，分析竖向变形沿横桥向的相关特征，提出上下游车致竖向变形比指标，采用聚类算法和EM算法识别不同车道竖向变形比作为桥梁健康诊断指标;其次，分析桥梁影响线，提出桥梁纵向不同截面竖向变形绝对值积分比指标，该指标仅与桥梁结构参数有关而与荷载无关，从而发现了桥梁健康诊断新指标。最后，提出基于健康诊断指标控制图分析的健康诊断方法，并采用某大跨斜拉桥健康监测数据对所提方法进行验证。　　(2)建立基于BiLSTM网络的斜拉桥车致竖向变形和车致索力时序相关模型。首先，分别以所有可用竖向变形通道和索力通道为输入和输出，建立斜拉桥竖向变形与索力时序相关的全桥整体BiLSTM模型;其次，为解决个别传感器损坏将对整体模型造成不良影响的问题，构建基于Sobol’灵敏度的局部BiLSTM模型，对于某给定斜拉索，基于Sobol’灵敏度选择仅含少数竖向变形通道的组合作为输入。最后，采用某大跨斜拉桥健康监测数据对所建模型进行验证，对比整体模型与局部模型学习效果，分析温度、噪音和车流量对所提模型的影响。　　(3)研究基于域转换网络的斜拉桥车致竖向变形和车致索力分布相关建模与健康诊断方法。首先，对车致竖向变形和车致索力时程数据进行核密度估计，得到竖向变形PDF和索力PDF，作为域转换网络的输入和输出;其中类内重构和类间转换分别通过变分自编码器和生成对抗网络实现，竖向变形PDF与索力PDF之间的相互转换能力通过共享隐空间和循环一致性限制保证;然后，Wasserstein距离用以衡量预测PDF与实测PDF之间的相似度，作为斜拉索健康诊断指标。最后，采用2座大跨斜拉桥健康监测数据验证所提方法的转换效果及斜拉索健康诊断效果，对其中一座斜拉桥进行有限元分析对比索力和竖向变形对斜拉索损伤的敏感度。　　(4)研究基于Transformer的斜拉桥温度和温致应变相关建模与健康诊断方法。首先，通过力学分析对比趋势项和车致项对损伤的敏感度，并分析温度与温致应变的时滞特点;其次，建立温度-温致应变Transformer模型，分别以温度和应变趋势项作为模型输入和输出，其中编码器学习温度的深度表达，解码器学习温度-应变和应变-应变之间的相关性;然后，通过对应变重构误差的控制图分析进行桥梁健康诊断。最后，采用2座大跨斜拉桥健康监测数据验证所提方法的健康诊断效果及模型改动有效性。

关键词： 转录组学   数据分析   机器学习  

摘要： Machine Learning（ML）is the section of computational science that can receive input data and analyze with statistical computational algorithms to enable learning,thinking,and decision making as output beyond human *** learning approaches are enormously used in transcriptomic data analysis（TDA）.The TDA is one of the prominent sections of OMICS research for *** microarray（continuous type data）and RNS-Seq（discrete type data）are the two fields of *** ML approaches are used in TDA mainly for classifying/clustering samples associated with genes/transcripts and to identify the genes/transcripts whose expressions differ between two or more experimental conditions known as differentially expressed（DE）*** in presence of outliers in the data,most of the classical machine learning classification or clustering approaches provides misleading *** this thesis,the robust statistical based machine learning approaches have been proposed for classification and clustering study in *** is a supervised learning approach for allocating unlabeled dichotomous patient samples into labeled dichotomous patient *** classification methods are clinical-based and therefore,their applications become limited with lower prediction *** Least Square Linear Discriminant Analysis（PLS-LDA）is one of the popular classifier for predicting unlabeled dichotomous patient *** has been widely used both in gene expression（GE）and metabolomics datasets for cancer diagnosis and drug ***,this method provides misleading results in presence of outlying data vector with classical maximum likelihood ***,we developed a robust PLS-LDA approach using the minimum beta divergence method（see Chapter 2）.The proposed method produces a weight function known as beta-weight function for the detection of outlying data vector for the robust PLS-LDA *** proposed method outperformed in

关键词： 聚类分析   机器学习   深度学习   强直性脊柱炎  

摘要： 目的:由于强直性脊柱炎固有的异质性,需要针对不同人群制定个性化治疗。因此我们希望通过一种新的方法将强直性脊柱炎患者分为相互独立的亚组,便于后续个性化治疗的开展。方法:我们根据2011年9月1日至2021年4月30日收集的356名强直性脊柱炎患者的数据集,通过无监督的K-means聚类算法,将人群分为若干个聚类,通过患者是否接受手术治疗反映临床预后,并通过生存分析判断聚类间的临床轨迹和需接受手术治疗的风险状况是否有显著差异。按照其临床轨迹和需接受手术治疗的风险状况定义高危人群。随后,拆分数据集为训练集与测试集,并训练两个机器学习模型对高危人群进行预测。一个模型为多层感知器,另一个模型为随机森林。单变量逻辑回归分析被用来确定具有显著P值的候选预测因素。LASSO回归方法被用来选择最佳预测变量子集。最后,将最佳预测变量子集分别输入两个预测模型中。最后通过测试集中的ROC曲线和混淆矩阵评价两模型的预测效果。结果:356名强直性脊柱炎患者通过K-means聚类分析分为两个聚类。其中选择了以下4个代表性特征进行聚类分析,包括BASFI、BASDAI、骶髂关节炎评分、BASRI-hip。绘制两个聚类的无手术生存期K-M曲线以及累计手术风险曲线,可见两聚类间存在显著差异(p<0.001)。表明两聚类临床预后具有明显差异。按照接受脊柱或髋关节手术的累计手术风险高低将两聚类分别定义为高危组和低危组。测试集中两模型ROC曲线和混淆矩阵表明本研究中两个模型均有良好的预测效能,可能可以作为早期识别强直性脊柱炎高危人群的有力工具。结论:本研究通过机器学习的算法开发了一个新的分类方法将强直性脊柱炎患者群体从内部分为两个差异显著的独立群体,其中高危组患者在近几年内有更大的可能性因为脊柱或髋关节病变进展而需要接受手术治疗。考虑到强直性脊柱炎的异质性,本研究可能有助于强直性脊柱炎患者的亚分类,并可能在未来实现更加个性化的治疗。此外,我们也探索了引起预后差异的可能因素,为未来的临床试验设计提供信息,以更好地探索疾病机制。

关键词： 土壤质地   空间分布   因素分析   随机森林   分类回归树  

摘要： 【目的】基于历史数据，利用机器学习方法分析宁夏南部土壤质地空间变异规律及其与环境因素之间的关系。【方法】基于宁夏回族自治区南部428个20世纪80年代第二次土壤普查土壤剖面点数据，采用分类回归树（CART）和随机森林（RF）两种机器学习方法，结合地形因子、土壤类型、归一化植被指数，探究与宁夏南部地区土壤质地分布相关性较强的环境因素，并用两种机器学习预测该区土壤质地类型的空间分布，用剖面点验证集数据以及宁夏回族自治区海原县实测样点数据验证模型精度。【结果】（1）RF和CART对剖面点验证集土壤质地类型的预测正确率分别为62.36%、55.29%，接收者操作特性（receiver operating characteristic,ROC）曲线下面积（area under roc curve,AUC）分别为0.7515、0.6933，对海原县122个实测样点的预测正确率分别为54.10%、48.36%,AUC分别为0.6599、0.5981,RF的预测精度高于CART。（2）该区土壤类型（ST）是与土壤质地空间分布相关性最强的环境因素，其次是高程（Ele），高程越高，土壤质地越黏重。风力作用指数（WEI）和坡度（Slo）对土壤质地的影响较小。（3）研究区土壤质地类型以轻壤土为主，空间分布格局基本呈现为南部土壤质地黏重，北部土壤质地较轻。【结论】RF更适合预测宁夏南部地区土壤质地的空间分布，且充分利用历史数据，结合新的野外采样，可以达到预测制图的精度要求；土壤类型（ST）和高程（Ele）是与土壤质地空间分布相关性较强的环境因素。

关键词： 机器学习   病毒-药物关联   lncRNA-蛋白质关联   分子对接  

摘要： 非编码RNA与多种生物机制过程密切相关,其突变和失调会诱导包括癌症在内各种疾病的发生。机器学习方法不仅可以减少资源消耗,还可以加速药物发现,因此,从机器学习角度分析RNA分子,有助于研究RNA的生物机制和功能。本论文主要以病毒-药物关联、lncRNA-蛋白质相互作用为研究对象,从以下几个方面提出机器学习模型和算法,从而为相关疾病的诊断与治疗提供有效线索。首先,基于正则化方法提出最小二乘法模型VDA-RLSBN,识别病毒-药物相互作用。本模型首先整合病毒的全基因组序列、药物的化学结构,分别使用MAFFT和RDKit计算病毒和药物的相似性。然后,结合二部图思想和邻居信息提出的正则化最小二乘法,预测新冠肺炎关联药物。实验结果表明,与五种代表性方法相比,VDA-RLSBN获得最高的AUC和AUPR值。最后,本模型对预测与新冠肺炎关联得分最高的几种药物与S蛋白/ACE2进行分子对接。分子对接结果表明,利巴韦林和瑞德西韦可能具有抗新冠肺炎的作用。其次,基于核融合思想提出逻辑斯蒂矩阵因子化方法VDAKLMF,为新冠肺炎筛选潜在药物。本模型先整合病毒和药物的信息以构建病毒与药物的相似核。然后,根据已知的病毒-药物关联数据和最近邻居信息,建立病毒和药物的高斯核,并融合高斯核和相似核。最后,基于核融合方法提出逻辑斯蒂矩阵因子化模型以识别可能的抗新冠病毒药物,并对推断出的抗病毒药物与S蛋白/ACE2的结合域进行分子对接,分子对接结果表明,瑞德西韦和利巴韦林可能具有抗新冠肺炎的作用。最后,基于深度学习理论提出深度森林模型LPIDF,识别lncRNA-蛋白质相互作用。本模型先整理五个数据集,分别基于四核苷酸组成和Bio Seq2vec提取lncRNA和蛋白质的序列特征。最后,建立具有级联森林结构的深度森林模型以预测lncRNA-蛋白质相互作用。实验结果表明,LPIDF具有很高的AUC和AUPR值。

关键词： 树木死亡建模   森林动态   数据挖掘   机器学习  

摘要： 树木死亡是森林生态系统动态的重要过程之一。由于森林生态系统物种丰富,环境复杂,对个体树木的死亡预测以及死亡机制的了解一直以来都是森林生态学研究的重点和难点。传统参数统计模型由于自身限制,例如对数据分布的要求和多重共线性等原因,在实际应用中往往受到一定限制,无法较好应用在复杂森林生态系统动态的分析建模研究中。与此同时,随着近年来大批大型森林动态监测样地的建立,以及调查内容与手段的丰富,使得森林监测数据的数量规模和复杂程度都达到了前所未有的新高度,同时也为分析建模研究带来了挑战。由于这些森林生态学大数据的数据规模巨大,数据连续性高,数据结构层次复杂,传统的统计分析和建模方法在应对这类大数据时往往效果不佳,而针对这类大数据,新的机器学习方法在分析建模效率和模型表现上往往发挥出色,此外机器学习方法对数据格式要求较低,没有多重共线性等传统统计模型的限制,能够有效处理大量复杂数据,近年来已成为不同学科研究必不可少的工具。本研究采用非参数机器学习方法,对巴拿马巴罗克罗拉多岛50公顷森林大样地BCI连续35年的树木普查数据进行挖掘,建立个体树木死亡预测模型。结合文献中广泛收集到的生物因子和非生物因子数据,通过特征工程手段,构建了包含树木特征,功能性状,种内种间相互作用,土壤化学特性,地形特征,以及气候特征在内的106个预测因子作为自变量,将树木存活状态作为因变量,分别用传统参数方法（逻辑斯蒂回归）和非参数机器学习方法（随机森林和极限梯度提升树）建立了3个分类预测模型,并通过特征重要性排序、偏依赖图、累积效应图和SHAP值等模型分析手段对模型结果进行解释分析,从而探究热带雨林树木的死亡机制。研究结果表明,机器学习模型表现均优于传统的逻辑斯蒂回归模型,预测准确率达到90%以上,AUC值达到0.67以上,其中极限梯度提升树模型表现略优于随机森林模型。通过对模型的分析发现,BCI样地内树木死亡主要由树种功能性状,个体间相互作用,以及土壤化学特性等环境因素共同影响,具有非线性特征,而气候因素对于个体死亡的直接影响相对较小。此外,模型解释结果表明,种内竞争对个体存活率呈负影响,支持并揭示了Janzen-Connell假说。总竞争对存活率的影响呈单峰型分布,说明在BCI样地中,竞争和促进均在相邻植物之间进行。胸径大小和树木存活率呈负相关,一方面是由于邻域竞争负效应随胸径增大不断增大,另一方面可能是由于较大树木在热带雨林中更易受到雷电袭击,而年老的树木因为累积的历史性损伤更易死亡。土壤化学元素含量与树木存活率呈单峰型分布,表明竞争在低养分可用性情况下更激烈,验证了资源比率假说。幼苗生长率与树木存活率呈负相关,表明资源获取型的树木在防御方面投入较少,对病虫害的敏感性更低,更易受到同种负密度依赖作用的影响,表明了快速生长和防御之间的权衡。而平均木材比重、比叶重,以及树木平均高度与存活率呈正相关,可能是因为在高生产力森林中主要以资源获取型策略为主,保证树木分配足够的资源来生产更多的叶子和茎,并加强树冠来竞争光照。土壤侵蚀因子、坡度和海拔对存活率的影响为正效应,这与一些研究结果相反,可能是亚马逊地区的地形差异不大,往往被竞争、土壤养分等其他因素的影响所淡化,因为海拔的差异不像山地森林那样极端。本研究通过生态学大数据挖掘和机器学习手段,对热带雨林个体树木的死亡进行分析建模,揭示了Janzen-Connell假说、种间促进作用,快速生长和防御之间的权衡等生态学假说和理论,为复杂大型森林样地监测数据的挖掘和分析提供了新思路,也表明了大数据挖掘和机器学习方法在生态学中的广泛应用前景。

关键词： 环状RNA   RNA结合蛋白   疾病   机器学习   病毒circRNA  

摘要： 环状RNA(circular RNA,circRNA)是由反向剪接形成的共价闭合单链RNA分子,表达稳定。研究表明,circRNA与RNA结合蛋白(RNA binding proteins,RBP)相互作用,与多种疾病关联,是癌症诊断和治疗中新兴的生物标记物。另外已经在被病毒感染的人体细胞中发现了病毒circRNA,它们会干扰免疫系统并诱发包括人类癌症在内的疾病。因此,对circRNA进行系统研究是当前生物信息学领域的研究热点之一,开发有效的计算方法仍是未来的工作重点。本文旨在基于circRNA的多种生物数据,建立计算模型识别circRNA分子、预测circRNA-蛋白质的相互作用位点、预测circRNA-疾病关联,及对病毒circRNA进行功能分析。本文的主要研究内容如下:(1)基于改进极限学习机算法的circRNA预测研究论文首先根据circRNA的成环特点构建反向补体匹配特征(reverse complement matching,RCM)编码circRNA,及利用保守分数、图结构和核酸组成等方法编码circRNA。然后使用最大相关最大距离(max-relevance-max-distance,MRMD)方法进行重要特征选择。随后使用粒子群算法(particle swarm optimization,PSO)对极限学习机(extreme learning machine,ELM)算法进行优化,提高模型的性能。最后,在2个数据集上,使用构建的模型Cir RNAPL实现circRNA与lnc RNA、在干细胞表达的circRNA与未在干细胞表达的circRNA的区分。通过十折交叉验证(ten-fold cross-validation,TFCV)和独立测试集验证证明了Cir RNAPL模型的分类准确率、鲁棒性和可扩展性。(2)基于集成多尺度残差网络的circRNA-RBP相互作用位点预测研究为了学习有效的circRNA的文本语义信息,论文构建Circ2vec特征编码方案。并计算k-nucleotide频率、电子离子相互作用势(electron-ion interaction potential,EIIP)特征、核苷酸的化学特性及积累核苷酸频率(Accumulated nucleotide frequency,ANF)对序列进行编码。然后使用深度多尺度残差网络(multiscale residual network,MSRN)和具有自注意机制的双向门控递归单元(bidirectional gated recurrent units,Bi GRUs),提取局部和全局上下文信息,学习高层次的特征表示。并结合Adaboost集成算法构建学习模型CRBPDL。最后论文在37个circRNA数据集和31个线性RNA数据集上验证CRBPDL的有效性。(3)基于图马尔科夫神经网络的circRNA-疾病关联预测研究论文首先整合已知的circRNA-疾病关联数据,使用高斯核相互作用核分别计算circRNA、疾病的相似性网络,使用疾病间的有向无环图构建疾病的语义相似网络。然后提出一个基于图马尔科夫神经网络(graph markov neural networks,GMNN)的计算模型GMNN2CD,集成变分推断和图自动编码器,实现circRNA-疾病的预测。设计特征推理网络用于从circRNA和疾病的特征来推断表征,设计标签传播网络从已知的circRNA-疾病关联中传播标签。采用变分(expectation-maximization,EM)期望最大化算法交替训练两种自编码器。最后,使用5折交叉验证(five-fold cross-validation,FFCV)证明GMNN2CD在circRNA-疾病关联预测方面的先进性,使用案例分析证明GMNN2CD的预测性能。(4)病毒circRNA特征分析及功能研究病毒可以编码circRNA,在多种单链和双链病毒中都发现了病毒circRNA。然而,病毒circRNA的特征和功能仍然未知。论文首先对23种病毒circRNA进行系统分析,然后对冠状病毒中circRNA针对性分析。在综合分析时,论文对病毒circRNA序列进行比对分析其保守性;基于病毒circRNA序列提取RCM、保守分数特征、图结构特征、组成特征,比较病毒circRNA和一般动植物circRNA的序列特征差异;分析病毒circRNA与微RNA(micro RNA,mi RNA)相互作用,并进行了基因本体(Gene Ontology,GO)和京都基因与基因组百科全书(kyoto encyclopedia of genes and genomes,KEGG)通路分析。然后,通过分析源自RNase R处理的冠状病毒SARS-Cov1和SARS-Cov

关键词： 城市公共交通   公交地铁换乘   识别方法   影响分析   预测模型   统计学方法   机器学习方法  

摘要： 地铁与公交之间的换乘是城市公共交通系统的核心组成部分。它增加了地铁和公交网络的可达性,为乘客提供了可靠、便捷和经济的换乘服务,提高了城市公共交通运力水平。识别公交地铁换乘行为,挖掘各个站点的换乘量、换乘率和换乘时间等特征,探究各因素对换乘特征的时空影响,预测各个站点的换乘特征信息,最终提高换乘系统的效率和服务水平,增加公共交通的吸引力,从而缓解当前各大城市普遍存在的交通拥堵问题等均具有重要的指导意义。然而,现有的换乘识别方法难以准确识别公交换乘地铁模式的换乘行为,在挖掘各个站点的换乘特征方面也存在困难。同时,各因素在时空上如何影响换乘特征仍然未知。现有的研究并没有针对换乘特征提出比较准确的预测方法,无法为换乘乘客和交通从业者提供各个站点的换乘预测信息。因此,提出面向公共交通的双向换乘识别方法,挖掘各站点的换乘特征,分析换乘特征的时空影响因素,预测不同站点的换乘特征亟待解决。本文面向城市地铁换乘公交和公交换乘地铁两种换乘模式,对换乘行为识别、换乘特征挖掘、换乘特征的时空影响因素分析和换乘特征预测展开研究。本研究提出了比较准确的双向换乘识别方法,挖掘了不同换乘模式的换乘特征,剖析了换乘特征的时空分布特性,基于时空回归模型探究了各因素对换乘特征的时空影响的差异性,考虑多因素的影响,提出了换乘时间和换乘量的预测方法。本文为换乘行为识别和换乘特征时空影响因素分析提供了参考,为换乘特征的预测提供了可行方法,为换乘乘客和交通从业者提供了各站点比较准确的换乘预测信息,进而为智慧城市公共交通换乘系统优化、公共交通调度以及后续的管理控制提供有效支撑。主要工作和研究成果包括以下几个方面:(1)传统的换乘识别方法在识别公交换乘地铁模式的换乘行为方面存在困难,且也没有经过现场数据验证。对此,本文基于换乘时间阈值和换乘空间阈值提出了一种针对地铁换乘公交模式和公交换乘地铁模式的换乘识别方法,经过了现场调查数据验证。该方法能从大规模的智能卡数据和公交运行轨迹数据等多源数据中识别各站点不同换乘模式在每小时内的换乘行为,并补全换乘乘客的出行链,比较准确挖掘每个站点不同换乘模式在每小时内的换乘特征。相比其他方法,本文提出的换乘识别方法所识别的换乘数据与调查数据具有更好的拟合性,识别精度较高,可以支撑公共交通换乘特征影响因素分析和预测方法研究。(2)现有研究没有分析换乘特征与影响因素的时空关系,也没有探究各因素对换乘特征的提前和滞后影响。对此,本文针对不同换乘模式,采用回归模型探究工作日、节假日以及台风期间各因素对换乘特征的影响,对比了不同方法的回归性能,分析了天气因素提前和滞后的影响。相比于其他回归模型,广义泊松回归模型具有更好的性能;天气因素提前或者滞后1小时和3小时对换乘量有显著影响。这些发现为公共交通地铁站点改进和换乘服务水平提高提供了数据支持。(3)现有的研究并没有分析换乘特征的空间异质性,各因素对换乘特征的时空影响也是未知的。对此,本文针对不同换乘模式的换乘特征,采用多种空间回归模型来挖掘换乘特征与影响因素间的空间关系,探究换乘特征的空间异质性,解释各因素对换乘特征的时空影响。相比其他空间模型,地理加权回归模型具有较好的回归性能。天气因素、建成环境、社会经济、POI数据以及商业活动强度对换乘特征有显著空间影响且存在空间异质性。针对各因素对换乘特征的负面影响,本文提出了改进和应对措施。(4)当前研究并很少针对换乘时间提出有效的预测方法。对此,本文针对换乘时间的时空分布特性,提出了一种基于贝叶斯低秩矩阵分解的换乘时间预测模型。本文提出的预测模型能比较准确填补在不同缺失场景与不同缺失率条件下的换乘特征数据,预测每个地铁站点的换乘时间数据,且填补与预测性能均优于对比模型,可为换乘乘客和交通管理者提供各地铁站点比较准确的换乘时间预测信息。(5)当前针对换乘量预测的研究较少,也没有考虑多因素对换乘量的影响。对此,本文考虑了多个因素对换乘量的影响,提出了一种基于机器学习的多元换乘预测模型。本文提出的预测模型能够在比较准确填补不同缺失场景与不同缺失率条件下的换乘量数据的基础上,预测各个地铁站点的换乘量。对比统计学模型和其他机器学习模型,所提出的多元换乘预测模型性能更优,能比较准确预测各个站点的换乘量,为后续可解释机器学习模型在换乘特征预测方面的研究奠定了基础。总体来说,基于不同场景下的换乘识别和预测需求,本文提出了面向城市公共交通系统的双向换乘识别方法、面向换乘特征影响因素的时空回归模型、面向换乘特征的预测模型。这些模型和方法各具特点、互补互成,涵盖了换乘识别与换乘特征挖掘、换乘特征的时空影响因素分析、换乘特征数据修复和预测等多个方面,并有机结合形成了适用于城市公共交通系统的高精度成套算法,为城市公共交通系统换乘特征挖掘、分析和预测提供了一套完整的解决方案。

关键词： 机器学习   冠状病毒   刺突蛋白   蛋白分类预测  

摘要： 新型冠状病毒肺炎(Corona Virus Disease 2019,COVID-19)是一种由新型冠状病毒(Severe Acute Respiratory Syndrome Coronavirus 2,SARS-COV-2)引起的呼吸道传染病。冠状病毒可跨物种传播到包括人类在内的多种哺乳动物,严重威胁人类健康及公共卫生安全。因此,快速准确地预测冠状病毒宿主分类对于未来防控流行病具有重要意义。本研究从美国国家生物信息中心(National Center for Biotechnology Information,NCBI)病毒数据库中收集数据,从2000年1月1日至2020年9月25日共获得19385条冠状病毒的刺突蛋白序列,将其按照分离物种来源分为人源性和非人源性。使用CD-HIT软件去除重复和冗余序列。分别按照随机划分和采样时间先后划分的方式,将数据集以8:2的比例划分为训练集和测试集。本研究使用蛋白质描述符和自然语言模型Seq2Vec来提取刺突蛋白序列特征,应用多种机器学习方法如支持向量机(Support Vector Machine,SVM)、逻辑回归(Logistic Regression,LR)、随机森林(Random Forests,RF)以及深度学习方法门控卷积神经网络(Gated Convolutional Neural Network,GCNN)建立分类模型。使用训练集进行100次重复的5折交叉验证训练分类模型,并用测试集进行模型评估。最终选择Seq2Vec-GCNN作为最佳模型,其AUC值为0.9818,敏感性为90.06%,特异性为1,准确率为94.45%。选取去重复数据集共3216条序列,将数据按照不同类别宿主分为人类、猪类、禽类、蝙蝠、骆驼和其他哺乳动物共6类,按照收集时间排序后以8:2比例划分为训练集和测试集。使用分布描述符(CTDD)以及自然语言模型Seq2Vec提取刺突蛋白序列特征,并应用多种机器学习方法和深度学习方法使用100次重复的5折交叉验证训练分类模型,最后用测试集进行模型评估。在预测人类宿主方面Seq2Vec-GCNN作为最佳模型准确率高达99.37%,而在预测其他宿主分类方面CTDD-RF模型表现最佳,准确率分别为猪类95.82%,禽类95.96%,蝙蝠98.33%,骆驼92.06%,其他哺乳动物94.01%。以上结果分析得出,基于机器学习方法使用刺突蛋白序列构建预测冠状病毒宿主分类模型是切实有效的,可以及时、快速、准确的预测冠状病毒宿主分类,从而应用到未来的病毒防控中。随着SARS-Co V-2变异体不断出现,宿主类别可能会进一步发生改变,这使得预测冠状病毒宿主分类模型变得极为重要。本研究结果可能对未来预测和防控冠状病毒大流行具有极大参考价值。