编辑推荐：
为解决传统病毒 CPE 检测难题，安卡拉大学兽医学院的研究人员开展 AIRVIC 系统研究。结果显示该系统能高效检测和分类病毒 CPE。此研究成果为病毒研究提供新工具，强烈推荐科研读者一读，助您了解前沿进展。
在病毒研究的领域中，细胞培养是探索病毒奥秘的重要 “阵地”。病毒作为一种特殊的生物，是细胞内的 “寄生客”，在细胞培养过程中，它们有的会引发细胞病变效应（Cytopathic Effects，CPE），有的则 “悄无声息”。这些 CPE 就像是细胞在病毒 “入侵” 后的 “求救信号”，细胞会出现形态上的变化，比如像气球一样膨胀变大、逐渐变圆，甚至出现颗粒化、融合成多核巨细胞（syncytia formation）、裂解破碎以及从培养瓶壁上脱落等情况。通过观察这些变化，科研人员能追踪病毒感染的进程，了解病毒的 “作案手法”、疾病的发展规律，还能评估抗病毒治疗的效果。
然而，传统的细胞培养观察 CPE 的方法存在不少问题。一些病毒引发的 CPE 非常微妙，就像隐藏在黑暗中的 “小偷”，很难被发现；还有些病毒的 CPE 出现得很晚，这给科研人员的判断增加了难度。而且，CPE 的识别和解读主观性很强，就像不同人对同一幅画有不同的理解一样，需要专业的训练才能准确判断。更麻烦的是，细胞受到的其他压力或者一些外界因素，也可能让细胞出现类似 CPE 的变化，这就像 “假冒伪劣” 产品，迷惑了科研人员的眼睛，导致需要更多的测试来确认。不仅如此，细胞培养过程繁琐，耗费大量的人力、物力和时间，成本很高。要是再遇上病毒的遗传多样性和混合感染的情况，那简直就是 “雪上加霜”，让病毒检测变得更加复杂。
为了攻克这些难题，来自安卡拉大学兽医学院病毒学系的研究人员在《Scientific Reports》期刊上发表了一篇名为 “AI Recognition of Viral CPE (AIRVIC): An Automated System for Label-Free Detection and Classification of Cytopathic Effects Induced by SARS-CoV-2 and Bovine Viruses” 的论文。他们开发了一个神奇的 AI 自动化系统 ——AIRVIC，这个系统就像一个火眼金睛的 “病毒侦探”，能够准确地检测和分类由 SARS-CoV-2、BAdV-1、BPIV3、BoAHV-1 以及两种 BoGHV-4 毒株在 Vero 和 MDBK 细胞系中引发的无标记细胞病变效应。
研究人员在研究过程中，运用了多种关键技术方法。他们首先构建了病毒诱导的数据集，收集了大量不同病毒在不同细胞系、不同感染复数（Multiplicity of Infection，MOI）和不同感染时间点下的显微镜图像。然后，他们利用卷积神经网络（Convolutional Neural Networks，CNN），选取了 ResNet50、ResNet18、MobileNetV2 和 YGNet 等架构进行模型开发。为了解决数据集不平衡的问题，他们还采用了数据增强技术，让模型能更公平地学习。最后，通过划分训练集、验证集和测试集，对模型进行训练、验证和评估，不断优化模型性能。
下面来看看研究的具体结果。
- 深度学习模型准确高效检测病毒 CPE：研究人员收集了 40369 张图像，涵盖多种病毒、细胞系、MOI 和感染时间点。在选择模型架构时，对比了 ResNet18、ResNet50、MobileNetV2 和 YGNet 等。最初使用 ResNet50 在 BoAHV-1/MDBK 数据集上训练，因数据集不平衡，F1 分数较低。经过数据增强后，F1 分数和准确率显著提升。后来加入不同放大倍数的图像，发现 10X - 20X 和 40X 放大倍数的图像能提高模型检测能力，最终选定 ResNet50 作为后续研究的基线模型。这表明深度学习模型在检测病毒 CPE 方面表现出色，但需要大量多样的数据集支持 。
- AIRVIC 的病毒分类结构化方法：AIRVIC 采用了一种分层系统来优化病毒检测和分类。这个系统由三个深度学习模型组成，就像三个不同职能的 “小侦探”。“广谱 CPE 检测模型” 是 “先锋侦探”，它能快速识别出是否存在 CPE 以及可能的病毒活动；如果发现了 CPE，就轮到 “病毒特异性 CPE 检测模型” 上场，它会像个 “分析专家”，给出引发 CPE 的可能病毒；最后，“靶向 CPE 检测模型” 像个 “精准狙击手”，进一步确认结果。在对不同病毒 - 细胞系组合的靶向 CPE 检测中，很多模型都表现出色。比如 BoGHV-4 (DN-599)/MDBK 模型的准确率达到了 100%，BPIV3/Vero 模型的准确率也有 98.74% 。
- 广谱 CPE 检测模型的优势：“广谱 CPE 检测模型” 使用整个数据集进行训练，能检测多种病毒和细胞系中的 CPE。经过 100 个训练周期后，它的 F1 分数达到 0.9495，准确率为 0.9528。虽然它的性能指标比一些靶向模型略低，但它可以覆盖所有场景，在识别野外样本中的病毒诱导 CPE 时，具有计算效率优势，还有潜力检测新病毒引发的 CPE 。
- AIRVIC 在病毒鉴定方面的成果：“病毒特异性 CPE 检测模型” 不仅要识别 CPE，还要确定是哪种病毒和细胞系组合导致的。不同配置的模型表现有所不同。在 11 类混合细胞系模型中，F1 分数为 0.7032，准确率为 0.6960；MDBK 细胞的 5 类模型准确率达到 0.8761。而且，AIRVIC 还能区分两种病毒毒株，成功率为 81.29%，这是很多传统 PCR 反应做不到的 。
从研究结论和讨论部分可以看出，AIRVIC 系统的出现意义重大。在之前的研究中，利用深度学习检测病毒诱导的形态缺陷主要集中在人类病毒，针对动物病毒的研究非常少。而 AIRVIC 的出现填补了这一空白，它在检测动物病毒感染方面表现出色。在检测病毒 CPE 时，它的单任务模型平均准确率达到 95.31%，多任务模型在区分 MDBK 细胞中产生的四种不同病毒时，准确率为 87.29%，还能以 84.89% 的准确率分类 BoGHV-4 的两种毒株。
不过，AIRVIC 也有一些局限性。它目前主要用于检测、诊断和分类，还不能计算病毒滴度。而且，它的模型是基于 ZEISS Axio Observer 5 显微镜获取的图像开发的，在其他显微镜上的效果还不确定。但 AIRVIC 已经作为一个基于网络的平台向全球研究人员开放，就像一把万能钥匙，为病毒诊断和研究提供了强大的支持。随着研究的不断深入，它的病毒数据库会不断扩大，功能也会越来越强大。
这项研究充分展示了 AI 在病毒研究领域的巨大潜力，它能简化实验室工作流程，快速检测病毒和区分病毒毒株，对改善人类和动物健康有着重要意义，为全球健康威胁的应对提供了更快速、有效的手段。就像为病毒研究打开了一扇新的大门，让科研人员能更深入地探索病毒的世界，守护人类和动物的健康。
