从序列到策略：基于遗传距离的早期检测新型冠状病毒新变异株以降低住院率

《PLOS Computational Biology》：From sequences to strategies: Early detection of new SARS-CoV-2 variants via genetic distance to reduce hospitalizations

　　

COVID-19大流行凸显了监测病毒进化与检测新发关注变异株（VOCs）的迫切需求。研究人员扩展了基于Levenshtein距离的无监督聚类算法，追踪并预测2020年至2024年1月六国（德国、意大利、瑞典、丹麦、法国、西班牙）的变异株主导态势，并探究遗传距离与管控策略对住院率的影响。尖峰蛋白（Spike protein）序列被转化为时间链（temporal chains）。研究人员训练深度神经网络（DNN）将新发链分类为可能主导的链，利用CatBoost模型评估重要变量，并通过模拟探索改变疫苗遗传距离、管控措施与疫苗接种覆盖率的情形。每周约5000条序列可在4周内实现早期链检测。DNN在检测后3–4周内识别未来主导链的分类性能较高。连续链间及循环株与疫苗株间的遗传距离是与住院模式最相关的变量之一。基于模型的模拟表明，疫苗匹配度改善或更强管控措施的情形与较低预测住院负担相关；单独将疫苗接种覆盖率翻倍影响极小，但与严格管控结合可进一步降低。该集成框架的发现凸显了遗传距离指标与公共卫生干预在评估新发变异株住院风险中的潜在相关性。

研究背景与立项依据

SARS-CoV-2持续进化，尖峰蛋白（Spike protein）突变积累催生系统发育各异的变异株，其中Alpha、Beta、Delta、Omicron被WHO列为关注变异株（VOCs）。现有变异株检测工具多依赖回顾性指标或面临假阳性高、低测序量国别性能不稳、仅预测频率而不关联临床结局等问题；同时，疫苗对新变异株的有效性评估受限于体外中和试验的时效性与预测力，循环株与疫苗株间遗传距离（genetic distance）与真实世界住院结局的直接定量关联尚未建立。在此背景下，研究人员开展跨六国基因组监测、早期主导预测与丹麦住院关联建模的集成研究，论文发表于《PLOS Computational Biology》。

主要关键技术方法

研究人员基于GISAID获取六国2020年1月至2024年1月Spike蛋白氨基酸序列，以de Hoffer等提出的Levenshtein距离无监督时间分箱层次聚类（Ward法）构建“链（chain）”并合并中断链；以双Sigmoid拟合链流行率曲线提取早期生长参数；用合成链增广后训练12特征深度神经网络（DNN）分类主导/瞬态链；以丹麦Statens Serum Institut（SSI）周度住院、再感染率、疫苗接种覆盖率（VCR）及Oxford CHI指数、GISAID疫苗株序列计算Levenshtein距离（LD1、LD_vac），训练CatBoost回归预测周住院并做1000次bootstrap情景模拟。

研究结果

跨国家变异株监测：分析2862331条序列，六国分别获得95–142条链，双Sigmoid拟合显示主导链生长参数（增长率a、拐点b、上限L）在数周内稳定，而瞬态链波动；每周约5000条序列可将链隔离时间|t₀|按逆幂律|t₀|=A/√x（A=294±28）压缩至4周内。

基于深度学习的早期主导变异株检测：DNN在合成数据上高真阳下低假阳；加入生长参数（a、b、L）显著优于仅用流行率。在111条真实链验证集（33主导、78瞬态）上准确率97.3%，ROC-AUC 0.980，主导链F1 0.96，证明早期3–4周特征可泛化至真实流行病学动态。

真实数据集验证：同上验证结果，排除3条特征不全链后模型对真实链判别清晰，分数分布分离，说明合成增广未掩盖真实模式。

丹麦按变异株住院分析：14条丹麦链覆盖56345例（80%）住院；CatBoost测试R2=0.85、MAE=0.31。变量重要性依次为检测周次（23.9%）、LD_vac（15.5%）、两周滞后VCR（14.6%）、LD1（10.8%）；SHAP显示LD1/LD_vac正向关联住院，滞后CHI负向。模拟显示疫苗匹配度提升使BA.2（链151）、BA.5（216）、JN.1（418）住院降26–55%；2022年前强管控（CHI>50）边际效应小；单独翻倍VCR无显著变化，但与高CHI叠加有附加下降。

讨论总结

研究人员指出每周约5000条序列是4周内预警的通用测序基准，当前GISAID上报量已远低于此。DNN较阈值法能从早期动态学习，低初始流行率下仍可行。丹麦证据支持遗传距离可作住院态势的补充信号；时间周次因主导变异株呈钟形轨迹成为最强预测因子。模拟印证疫苗匹配与管控叠加的价值，但CatBoost仅捕获统计关联非因果。局限包括测序延迟偏倚、真实主导链样本少、合成增广未必覆盖异质动态、丹麦单一医保情境外推受限、未纳入既往季接种长期效应。结论部分译文如下：

优化测序率、深度学习早期分类与基于遗传的住院风险评估集成，构成强有力的数据驱动SARS-CoV-2监测框架。充足测序量（影响链检测时间）结合基于生长动力学的分类模型，并将遗传距离指标纳入监测，可改善新变异株表征并支撑公共卫生决策。研究表明仅用数周流行率数据即可早期分类，Sigmoid特征在低初始流行率下仍提升精度；丹麦证据揭示遗传距离与住院风险的潜在相关，可作为公共卫生态势感知补充信号；需将深度学习、遗传监测与疫苗策略集成以备未来大流行。该发现贡献于实时自适应监测系统框架，未来将增强DNN鲁棒性、探索Transformer架构并精炼瞬态链建模。