近日，香港城市大學(xué)孫燕妮團(tuán)隊(duì)開發(fā)了一款基于深度學(xué)習(xí)的新工具VReassort。該工具能夠直接從分段病毒基因組（比如流感病毒）序列中高效、準(zhǔn)確地識(shí)別新出現(xiàn)的重配（reassortment）事件。相關(guān)研究以題為“Fast and Accurate Identification of Emerging Viral Reassortment from Genome Sequences”, 發(fā)表于Nucleic Acids Research雜志。

簡介

流感病毒、輪狀病毒等分節(jié)段病毒的基因組由多個(gè)片段組成。這種結(jié)構(gòu)使它們能夠通過重配（reassortment）產(chǎn)生新的毒株：當(dāng)不同毒株同時(shí)感染同一個(gè)宿主細(xì)胞時(shí)，來自不同親本的基因片段可能被重新包裝進(jìn)同一個(gè)病毒顆粒中，從而形成具有全新基因組合的后代病毒。

這種重配機(jī)制會(huì)顯著提高病毒的遺傳多樣性，并可能賦予病毒新的生物學(xué)特性，例如更強(qiáng)的傳播能力、更高的毒力，甚至跨物種傳播能力。歷史上多次流感大流行都與重配病毒的出現(xiàn)有關(guān)。例如，2009 年甲型 H1N1 流感大流行，就是多來源流感病毒基因片段重配的結(jié)果。因此，及時(shí)識(shí)別新出現(xiàn)的重配毒株，對于傳染病監(jiān)測、風(fēng)險(xiǎn)預(yù)警和疫情防控具有重要意義。

隨著 NCBI、GISAID 等數(shù)據(jù)庫中病毒全基因組數(shù)據(jù)的大量積累，利用測序數(shù)據(jù)自動(dòng)識(shí)別重配事件成為可能。然而，已有方法通常存在兩個(gè)核心問題：一是計(jì)算成本高，難以擴(kuò)展到大規(guī)模數(shù)據(jù)；二是在系統(tǒng)發(fā)育樹存在噪聲時(shí)，難以準(zhǔn)確區(qū)分真正的重配信號(hào)與背景擾動(dòng)。針對這些問題，孫燕妮團(tuán)隊(duì)提出了一個(gè)新的工具 VReassort。該方法結(jié)合系統(tǒng)發(fā)育樹特征提取與深度學(xué)習(xí)模型，能夠從基因組序列中快速、準(zhǔn)確地識(shí)別新重配的毒株。論文結(jié)果表明，VReassort 在模擬數(shù)據(jù)和真實(shí)數(shù)據(jù)上都表現(xiàn)出較強(qiáng)的準(zhǔn)確性與魯棒性，并且實(shí)現(xiàn)了在大規(guī)模數(shù)據(jù)快速分析，例如在大約2分鐘內(nèi)完成將近1000株流感病毒基因組片段重配分析。

方法

VReassort 的核心思路是：通過比較同一毒株在不同基因片段系統(tǒng)發(fā)育樹中的位置是否一致，判斷其是否發(fā)生了重配。之所以能夠這樣判斷，是因?yàn)橹嘏洳《镜牟煌蚱瓮鶃碜圆煌H本，因此同一毒株在不同片段樹上的進(jìn)化位置可能并不一致。如果這種差異足夠明顯，就提示該毒株可能經(jīng)歷了重配。

傳統(tǒng)方法通常直接比較不同片段系統(tǒng)發(fā)育樹之間的整體差異，但這種做法容易受到建樹噪聲、數(shù)據(jù)質(zhì)量和序列長度等因素影響，而且在大規(guī)模數(shù)據(jù)中計(jì)算成本較高。相比之下，VReassort 更關(guān)注的是：某一個(gè)毒株在兩棵樹中的相對位置關(guān)系是否發(fā)生異常變化。這一思路更貼近重配識(shí)別的實(shí)際需求，但也帶來新的挑戰(zhàn)——因?yàn)轭愃频奈恢米兓⒉灰欢ǘ加芍嘏湟穑部赡軄碜韵到y(tǒng)發(fā)育噪聲或建樹誤差。因此，如何自動(dòng)區(qū)分真正的重配信號(hào)與背景擾動(dòng)，是這一問題的關(guān)鍵。

VReassort的核心流程分為三步：先分別構(gòu)建兩個(gè)基因片段的系統(tǒng)發(fā)育樹；再提取每個(gè)毒株在兩棵樹中的遺傳距離和拓?fù)涮卣?；最后輸入深度學(xué)習(xí)模型進(jìn)行打分。得分越高，說明毒株在兩棵樹中的位置差異越大，也就越可能發(fā)生過重配。

為了訓(xùn)練模型，作者還構(gòu)建了模擬數(shù)據(jù)。由于真實(shí)數(shù)據(jù)庫中通常缺少明確的重配標(biāo)簽，難以直接用于監(jiān)督學(xué)習(xí)，研究者通過在系統(tǒng)發(fā)育樹上移動(dòng)部分分支來模擬重配造成的拓?fù)渥兓?jù)此生成訓(xùn)練樣本。這樣既保留了真實(shí)分析中的復(fù)雜性，也為模型提供了較可靠的訓(xùn)練標(biāo)簽。

圖中展示了重配模擬數(shù)據(jù)的生成和系統(tǒng)發(fā)育樹的特征提取。

結(jié)果

論文從模擬數(shù)據(jù)和真實(shí)數(shù)據(jù)兩個(gè)層面系統(tǒng)驗(yàn)證了 VReassort 的性能，并重點(diǎn)考察了其在多種復(fù)雜場景下的表現(xiàn)，包括：不同親本相似度條件下的識(shí)別能力、多重重配事件并存時(shí)的穩(wěn)定性、數(shù)據(jù)規(guī)模擴(kuò)大時(shí)的可擴(kuò)展性，以及對大規(guī)模重配分支的檢測能力。

總體來看，VReassort 在上述實(shí)驗(yàn)中均表現(xiàn)出較好的性能：不僅能夠較準(zhǔn)確地識(shí)別重配事件，還能在復(fù)雜數(shù)據(jù)條件下保持較好的穩(wěn)定性和適應(yīng)性，整體效果優(yōu)于對比方法。在多種模擬與真實(shí)數(shù)據(jù)集上，其 F1-score 平均達(dá)到 0.8 以上，如下圖所示。

圖中給出了模擬數(shù)據(jù)中4,553 株重配毒株和260,747 株非重配毒株（約1:57）在不同評分閾值設(shè)置下VReassort的平均檢測性能。

圖中比較了多個(gè)工具在不同重配距離和不同重配數(shù)量條件下模擬數(shù)據(jù)上的重配識(shí)別表現(xiàn)。

除了方法驗(yàn)證，論文還將 VReassort 應(yīng)用于更大規(guī)模的真實(shí)病毒監(jiān)測分析，展示了其在病毒進(jìn)化研究和公共衛(wèi)生監(jiān)測中的實(shí)際價(jià)值。

甲型流感病毒中的應(yīng)用:作者下載了 2010—2023 年 NCBI 中的甲型流感病毒完整基因組數(shù)據(jù)，過濾后保留 8,829 個(gè)基因組。隨后利用滑動(dòng)三年時(shí)間窗口進(jìn)行分析，最終對 2012—2022 年間的 7,304 株病毒進(jìn)行了重配識(shí)別，發(fā)現(xiàn)其中 2,336 株可歸類為重配株。從宿主分布來看，不同宿主來源的甲型流感病毒重配比例差異明顯：豬源病毒最高，達(dá)到61.7%；人源病毒約為30.9%；禽源病毒約為14.3%。這一結(jié)果與“豬是流感病毒混合容器”的經(jīng)典認(rèn)識(shí)高度一致，提示豬源病毒在產(chǎn)生新型重配毒株方面具有更高風(fēng)險(xiǎn)。

進(jìn)一步從亞型層面分析發(fā)現(xiàn)，不同亞型的重配傾向同樣存在顯著差異，其中H1N2的重配比例最高，約為63%，H5N6也較高，約為61%；相比之下，H3N8和H4N6的重配比例明顯較低，僅約5%。此外，H9N2、H5N1、H5N2、H7N9等與人類健康密切相關(guān)的禽流感亞型，也表現(xiàn)出中等偏高的重配比例。這些結(jié)果提示我們，不同亞型、不同宿主背景下的重配風(fēng)險(xiǎn)并不均一，因此有必要圍繞重點(diǎn)宿主和重點(diǎn)亞型開展持續(xù)監(jiān)測。

除了對流感病毒的宿主分布和亞型特征進(jìn)行分析外，作者還進(jìn)一步考察了重配流感病毒的片段交換規(guī)律。結(jié)果發(fā)現(xiàn)，HA和NA片段更容易與其他內(nèi)部片段發(fā)生異源組合，但HA 與 NA 彼此之間反而更傾向于保持同一來源；與此同時(shí)，PB2、PB1 和 PA這三個(gè)聚合酶片段之間也更傾向于共同保留同源關(guān)系。這樣的結(jié)果與已有生物學(xué)研究高度一致：一方面，HA 與 NA 之間需要維持功能平衡；另一方面，聚合酶復(fù)合體內(nèi)部也存在較強(qiáng)的協(xié)同適配需求。這也說明，VReassort不僅能夠用于識(shí)別重配事件，還可以進(jìn)一步支持對重配規(guī)律及其潛在機(jī)制的深入解析。

圖中展示了VReassort 鑒定的 2012—2022 年重配甲型流感病毒（IAV）宿主和亞型分布情況。a 為 7,304 株 IAV毒株的宿主來源分布，中間餅圖顯示總體構(gòu)成，周圍餅圖顯示三類宿主中重配毒株（深色，2,336 株）與非重配毒株的比例；b 為不同宿主中重配毒株在各年份的占比變化，其中 2020 年人源毒株占比為 0，可能與當(dāng)年納入的人源序列僅有 11 條有關(guān)；c 為最常見 10 種亞型的毒株數(shù)量，不同顏色表示宿主來源；d 為不同亞型中重配毒株與非重配毒株的數(shù)量分布；e 為各亞型中重配毒株的占比及其宿主來源分布。

圖中展示了 2,336 株已鑒定重配毒株的分析結(jié)果，其中 a 為最常見的 20 種片段組合模式，不同顏色表示不同來源的基因片段，右側(cè)數(shù)字表示對應(yīng)的毒株數(shù)量；b 為不同異源片段對在這 2,336 株重配毒株中的占比。紅框標(biāo)出了占比較低的片段對，主要出現(xiàn)在 PB2、PB1、PA 之間以及 HA 和 NA 之間。

輪狀病毒：為了驗(yàn)證方法的可遷移性，作者還將VReassort應(yīng)用于人 A 類輪狀病毒，分析其VP4和VP7兩個(gè)基因片段。在160 株輪狀病毒數(shù)據(jù)中，VReassort 結(jié)合重復(fù)實(shí)驗(yàn)與穩(wěn)定性篩選，最終高置信度識(shí)別出15 株重配株，歸屬于6 個(gè)獨(dú)立重配事件。這些毒株在兩棵系統(tǒng)發(fā)育樹中的位置差異較為明顯，進(jìn)一步支持其為潛在重配事件。作者還基于輪狀病毒數(shù)據(jù)進(jìn)行了模擬驗(yàn)證。盡管模型訓(xùn)練完全基于甲型流感病毒數(shù)據(jù)，VReassort 依然表現(xiàn)出較好的遷移能力，取得了F1-score>0.8的結(jié)果。這表明，VReassort 不僅適用于甲型流感病毒，也具備向其他分節(jié)段病毒擴(kuò)展應(yīng)用的潛力。

主要作者

蔡德涵：香港城市大學(xué)博士后研究員。于2025年6月在香港城市大學(xué)電機(jī)工程系獲得博士學(xué)位。主要研究方向?yàn)槔蒙疃葘W(xué)習(xí)與統(tǒng)計(jì)方法開展計(jì)算生物學(xué)研究，重點(diǎn)開發(fā)面向微生物與病毒基因組學(xué)分析的高效算法與軟件工具。

孫燕妮：香港城市大學(xué)電機(jī)工程系（Electrical Engineering）副教授，博士生導(dǎo)師。在美國圣路易斯的華盛頓大學(xué)（Washington University in Saint Louis）取得計(jì)算機(jī)系博士學(xué)位后在密西根州立大學(xué)計(jì)算機(jī)系擔(dān)任助理教授和副教授（with tenure）。2018年加入香港城市大學(xué)。主要研究方向是生物信息學(xué)，序列分析，宏基因組學(xué)，和病毒基因組學(xué)。具體的研究課題，發(fā)表的論文，以及實(shí)驗(yàn)室的位置請參加作者個(gè)人主頁：https://yannisun.github.io/