杂志俱乐部

重点介绍学院成员实验室近期及时选取的论文

为了发现人畜共患病病毒,研究人员寻找病毒适应宿主的基因组特征

图片来源:Petr Smagin

野生动物和人类之间的接触越来越多,人们担心危险病毒会激增,传染给人类,COVID-19就是一个可能的例子。图片来源:Shutterstock/Petr Smagin

鉴于目前的大流行,研究人员已加紧努力,以确定新的人畜共患病威胁——可能从动物跨越到人类并导致未来流行病的病毒。旨在识别这类病毒的研究通常侧重于一种新病毒与已知人畜共患病原体的相似性。但是,瞄准那些显示出适应类人宿主迹象的病毒可能是一种更好的方法最近的研究建议。

格拉斯哥大学(University of Glasgow)传染病生态学家丹尼尔·斯特里克(Daniel Streicker)和他的同事们利用机器学习,检查了800多个病毒基因组,以了解哪种序列最能预测病毒感染人类的能力。虽然以前的许多研究都集中在对新病毒进行测序,但应用这些信息来预测人畜共患病风险的工具很少。“在动物身上发现病毒和预防疫情的风险评估之间一直存在脱节,”乔治城大学的生物学家科林·卡尔森(Colin Carlson)说,他没有参与这项工作。“我认为这项研究解决了一个非常大的问题。”

在COVID-19大流行之前,有两例人畜共患冠状病毒,MERS-CoV冠状这导致了全球公共卫生危机。即便如此,仅根据蝙蝠或其他动物体内病毒的基因组或特征,很难辨别哪些病毒对人类健康构成直接风险。然而,依靠基因组序列来确定亲缘关系有严重的缺点:病毒系谱中的几个分支仍然未被发现或不完整。斯特里克说:“我们对病毒多样性的认识存在巨大的差距。”

为了找到解决方案,斯特里克和他的同事们进行了不同的探索,寻找基因组序列,以帮助揭示病毒是否具有与人类蛋白质相似的特征。

该团队从861名病毒物种中的每一个都开始。它们将此数据集分为二:用于开发和培训机器学习模型的一部分,以及测试其模型的第二部分。在培训模型时,研究人员在彼此的病毒相关性以及关于它们是否已知感染人类的​​数据的数据增加了信息。Streicker说,病毒在病毒中的相关性至少部分地是一种新的病毒感染人类的​​能力,至少部分地是因为关于病毒多样性的数据差距。

因此,研究小组训练该模型,使其也能在病毒基因组中寻找与人类序列相似的序列。由于免疫细胞警惕地发现不熟悉的遗传物质,病毒逃避这些防御并感染新宿主的一种方法是模仿宿主的遗传模式,从而使其对监视细胞无害。这组作者怀疑,已经具有这种模式的病毒可能具有更大的人畜共患病潜力。乐动足彩

添加这些信息极大地提高了模型识别潜在病原体的能力。该模型正确识别了92%的已知感染人类的病毒。它还确定了18种未知的人畜共患病毒,尽管一些研究表明,这18种病毒中有3种可能曾经感染过人类。“我很惊讶这种方法如此有效,以至于病毒基因组中有足够的信息,我们可以做出这些预测,”Streicker说。

纽约米尔布鲁克凯里生态系统研究所的疾病生态学家芭芭拉·汉(Barbara Han)没有参与这项工作,她说,新的模型可以通过帮助分析和优先考虑需要进一步研究的病毒来加强正在进行的病毒监测工作。她说:“像这篇论文中提出的这种进展对于理解从这些监测活动中收集到的序列是非常必要的。”

Still, the model does not account for many real-world variables, Streicker notes, such as the odds of humans encountering a virus with high zoonotic potential—a virus’ ability to transmit from one human to another (as opposed to simply jumping from nonhuman to human hosts)—or even its ability to cause disease. “These are the things we’d need to know to design interventions at public health scale,” he says.

未来的研究可以添加这种信息来改进模型并扩展其应用程序。目前,新作品有助于解决“大海捞针”类型问题;研究人员可以将模型应用于优先考虑实验研究的特异性病毒株或识别保证更紧密监测的菌株。卡尔森说,这种努力通常是耗时和昂贵的,所以使用基因组研究来告知这些研究的工具非常有价值。“那样的模型是如此伟大的是,它告诉你,例如,在明年你需要关注哪个十几种病毒,”他说。“它利用了基础研究的巨额投资。”

类别: 动物行为|计算机科学|遗传学|传染病|杂志俱乐部|医学科学|微生物学并标记||||||
打印 电子邮件 评论

发表评论

您的电子邮件地址不会被公开。必需的地方已做标记