一种基于HEK293T细胞的可解释性CatBoost模型特征，用于从宿主转录组中估算HCoV-OC43病毒载量

《Computational Biology and Chemistry》：A HEK293T-derived explainable CatBoost signature for estimating HCoV-OC43 viral burden from host transcriptomes

　　

• •
  利用单细胞数据构建了用于预测HCoV-OC43病毒载量的回归模型。
• •
  通过CatBoost和SHAP方法找到了10个能够预测病毒载量的核心宿主基因。
• •
  在来自肺细胞和鼻细胞的独立批量RNA测序数据上对该模型进行了验证。
• •
  证明了该模型在监测病毒感染动态方面的广泛应用价值。

章节摘录

引言

SARS-CoV-2的出现凸显了深入理解β冠状病毒与宿主相互作用的重要性。虽然大量研究集中在引发疫情的毒株上，但作为导致季节性普通感冒的本地流行β冠状病毒，HCoV-OC43为研究高防护级别环境之外的感染动态提供了一个具有系统发育关联且易于操作的框架（Lau等人，2011年）。最近的分子和转录组学研究开始着手绘制

数据收集

HCoV-OC43感染的HEK293T细胞的scRNA-seq数据来源于GEO（GSE278059）（Hein等人，2025年）。

原始计数矩阵包含19,011个细胞和36,609个基因。所有的scRNA-seq分析都是使用Scanpy框架（v1.10.4版本）进行的（Wolf等人，2018年）。为了确保数据完整性，独立于原始研究的筛选标准，我们对细胞进行了严格的质量控制（Hein等人，2025年）。如果细胞的线粒体读取比例超过20%，或者被标记为

单细胞数据集概述、质量控制及目标基因分布

为了构建一个可靠的用于预测HCoV-OC43病毒载量的回归模型，我们使用了初始包含19,011个细胞的HEK293T scRNA-seq数据集（GSE278059）（Hein等人，2025年）。鉴于高质量输入对机器学习的重要性，我们按照方法部分所述进行了严格的质量控制。通过排除线粒体含量过高（超过20%）、成对出现的细胞以及条形码无法识别的细胞，最终得到了12,980个可用细胞。

为确保该模型能够覆盖全部的病毒载量范围

讨论

本研究开发了一种监督回归框架，能够以单细胞分辨率从宿主转录组中预测HCoV-OC43的病毒mRNA载量，同时运用可解释人工智能技术找出能够反映感染状态变化程度的宿主生物标志物。在HEK293T scRNA-seq数据上训练的CatBoost模型在交叉验证和留出数据上的预测性能都很稳定。为了得到稳定且具有实际应用价值的生物标志物特征，我们仅根据

伦理声明

由于本研究分析的是公开的可识别信息已被去除的数据，因此无需进行伦理审查和批准。

代码可用性

用于分析的代码以及处理后的数据矩阵均可在以下地址获取：https://github.com/Pharmaceutical-Microbiology-Lab/Regression_Modeling_of_OC43

未引用参考文献

Ivanov等人，（2023年）

资金支持

这项研究没有获得任何外部资金支持。

CRediT作者贡献说明

Haesung Jeon：撰写——初稿撰写、可视化、软件使用、方法设计、实验开展、正式分析、数据整理、概念构思。Choongho Lee：撰写——审稿与编辑、项目指导、资源提供、项目管理、实验开展、概念构思。

关于写作过程中生成式人工智能及人工智能辅助技术的声明

在撰写本文时，作者们使用了ChatGPT 5.4、Gemini 3.1 Pro和Claude Sonnet 4.6这些工具来提升语言和语法水平，同时也协助开发和优化代码脚本。在使用这些工具之后，作者们对内容进行了必要的审阅和修改，并对文章的内容承担全部责任。

利益冲突声明

作者声明自己不存在任何可能影响本文研究成果的已知财务利益关系或个人关系。

致谢

无。

Haesung Jeon|Choongho Lee