一种基于序列模式的特征提取方法的可解释机器学习分类算法，应用于病毒基因序列分析

《Journal of Computational Science》：An Interpretable Machine Learning Classification Algorithm Using Sequential Pattern-Based Feature Extraction on Viral Genetic Sequences

　　摘要
病毒性疾病是对公共卫生构成最大威胁的挑战之一。由于病毒的遗传起源，研究细胞内的病毒性疾病可以产生重要的发现。这类数据被视为大数据，利用人工智能方法可以有效应对相关挑战。具体而言，模式识别和机器学习模型已被应用于解决遗传问题。在这项研究中，提出了一种模式识别模型，用于在核苷酸序列层面分类和检测20种类型的病毒。所提出的方法基于FP-growth算法，该算法使用高效的维度缩减方法来处理提取的特征。该算法将基因组序列视为一个事务模式挖掘问题，并提供了一个可扩展、可解释且基于生物学的数据发现框架。在分类阶段进行了多项实验，其中决策树算法解决了多类问题，F1得分超过0.96；集成模型达到了0.99。此外，在一对一的二分类模式下使用决策树算法，在所有病毒类型实验中获得了超过0.95的F1得分。该算法还展示了检测每种病毒特定模式的能力。实验表明，所提出的方法可以推广并应用于其他病毒。

引言
近年来，关于病毒性疾病的研究有所增加，新出现的冠状病毒Covid-19的传播是这一趋势的主要因素。当然，其他病毒由于各种原因也具有重要性。常见的季节性病毒如流感和轮状病毒、高度传染性的病毒如麻疹和水痘-带状疱疹病毒、致命的病毒如埃博拉和MERS病毒，以及长期影响人类的病毒如HIV和乙型肝炎病毒，每一个都具有特殊的重要性和臭名昭著[1],[2],[3],[4]。所有这些因素都表明病毒与人类健康密切相关。这些疾病的共同点是它们的遗传起源，这突显了研究细胞内模式的需求。然而，大量的遗传数据及其多样性的处理需要计算和智能工具的支持，这在生物信息学这一跨学科领域得到了解决。本研究也试图通过设计一种人工智能（AI）模式识别模型，在生物信息学领域对某些病毒进行分类和检测。然而，在深入探讨方法和所得结果的细节之前，回顾一系列背景案例是有用的。

传染病的起源长期以来与人类、动物和环境之间的相互作用有关。历史上，传染病的出现和重新出现加速了。病毒是一类最重要的传染性病原体，因为它们具有快速突变的能力并能适应新的宿主。病毒是非细胞主义的传染性病原体，通过利用宿主细胞的机制在细胞内复制。这些病原体导致了从轻微的上呼吸道感染到全球性大流行（如Covid-19）等一系列疾病[5]。病毒的致病性主要受其遗传组成（DNA或RNA）的影响，以及它侵入宿主细胞的机制和逃避宿主免疫反应的能力。病毒学中最具挑战性的问题之一是高突变率，尤其是在RNA病毒中。这些病毒使用容易出错的RNA依赖性RNA聚合酶，缺乏校对机制，从而导致高度的遗传变异[6],[7]。关于病毒类型有多种分类方式，每种分类都有其特定的应用。还可以根据病毒的细胞内结构（包括DNA或RNA以及它们的环状、线性等形状）进行分类。此外，还可以根据病毒涉及的身体系统（如呼吸系统、消化系统、神经系统、皮肤系统等）进行分类。但主要的分类是基于细胞内和遗传结构，这是在核苷酸序列层面进行的。一种广泛具有生物学意义的分类方案是巴尔的摩系统，它根据病毒从其基因组生成信使RNA（mRNA）的方式对其进行分组。这些组包括双链DNA病毒到具有复杂复制策略的逆转录病毒和RNA病毒，每个类别反映了病毒生命周期中遗传信息流动的基本途径。此外，由国际病毒分类委员会（ICTV）管理的现代病毒分类学在多个层次（目、科、属和种）上结合了遗传序列比较，提供了更全面的进化框架[8]。

宿主的遗传变异性在决定对病毒感染的易感性以及疾病进展和治疗反应方面起着关键作用。许多全基因组关联研究已经确定，与免疫相关的基因（如人类白细胞抗原复合体）中的多态性是自然抵抗病毒病原体的重要因素[9]。这一遗传见解推动了个性化医疗方法的出现，可以利用个体的遗传特征来优化抗病毒治疗方案和疫苗接种策略。这种方法在遗传多样性较高的 population 中尤其相关，例如在伊朗，那里的种族遗传变异显著影响免疫反应模式[10]。人类生命的遗传蓝图编码在脱氧核糖核酸（DNA）中，这是一种位于细胞核内的双螺旋分子。这一结构由Watson和Crick在1953年首次阐明，DNA由两条互补的链组成，这些链由核苷酸碱基——腺嘌呤（A）、胸腺嘧啶（T）、鸟嘌呤（G）和胞嘧啶（C）组成，并按照特定的碱基配对规则（A-T和G-C）排列。这种分子构型确保了遗传信息的稳定性和准确性[11]。基因被定义为功能性的DNA片段，通过一个严格调控的过程（称为转录）转录成信使RNA（mRNA）。mRNA分子随后被运输到细胞质中，在那里由核糖体翻译成蛋白质——细胞的基本构建块和功能单位。基因表达的调控受到表观遗传机制的影响，包括DNA甲基化和组蛋白修饰，这些机制在不改变DNA序列的情况下调节染色质的可访问性和基因活性[11]。染色质是DNA缠绕在组蛋白蛋白上的三维组织，在基因组调控中起着关键作用。染色质结构的改变会显著影响细胞行为，并常与癌症等疾病相关。例如，最近对伊朗乳腺癌组织的表观遗传分析表明，特定的染色质重塑模式可以作为化疗反应的预测生物标志物[12]。

生物信息学是一个跨学科领域，它结合了生物学、计算机科学和统计学来分析和解释大规模的生物数据。它的兴起对于管理和从高通量基因组技术（如下一代测序NGS）中提取见解至关重要，这些技术产生了大量的遗传信息。通过使用计算算法，研究人员可以识别突变、追踪病毒进化，并以前所未有的准确性对生物系统进行建模[13]。生物信息学的一个里程碑式应用是在2020年初快速表征SARS-CoV-2基因组，从而设计了针对病毒刺突蛋白的mRNA疫苗。BLAST（基本局部比对搜索工具）等工具有助于序列比较和同源性识别，使人们能够发现病毒基因组中的保守区域。此外，像GenBank和UniProt这样的管理数据库提供了广泛的注释遗传和蛋白质组信息库，这对于比较分析和进化研究至关重要[14],[15]。生物信息学在病毒学研究中变得越来越重要，特别是在地方性和新出现病毒的基因组监测方面。例如，国家新兴疾病研究所使用了基于序列的聚类算法来监测克里米亚-刚果出血热病毒的突变，支持区域疫情预测和疫苗开发策略[16]。

遗传数据和健康数据的数量、体积和多样性使得它们被称为大数据。这些数据的存储、数据管理、多维格式下的数据分析、建模和模拟，以及该领域工具的开发与生产速度都需要计算机的支持。特别是AI领域的计算机算法的发展加速了这一研究。研究过程包括数据收集、预处理、特征提取、特征选择、机器学习和优化等多个阶段。此外，使用计算机和AI方法对健康数据在不同尺度上的数据挖掘有广泛的应用。这一范围不限于特定的格式或特定的疾病集合[17]。

本研究基于20种不同类型的病毒的遗传数据。数据挖掘的目标是找到特定的模式以对每种病毒进行分类和区分。换句话说，研究的目标是设计一种模式识别模型，该模型以核苷酸序列的形式输入遗传数据。应用了一种序列数据挖掘算法从数据中提取特征。所得到的特征空间包括可能在两种或更多种病毒之间具有一些共性的特征。然而，在这些特征中，有一些特征能够区分特定类型的病毒与其他病毒。在此阶段，分类领域使用了监督式机器学习算法。模型输出还评估了机器学习算法在常见性能标准方面的效率。还测量了可解释的机器学习算法所提取特征的重要性。

虽然在这一领域已经进行了许多研究，但从不同角度来看都有其价值，但在应用基于模式的算法进行特征提取以及使用可解释算法区分和识别特定病毒方面仍存在差距。本研究通过引入一种基于频繁模式挖掘的范式来填补了传统基于序列的方法和机器学习方法之间的空白，用于基因组序列的分类。这项研究的创新和发现可以总结如下：
- 对病毒的遗传结构进行建模，通过在核苷酸序列中挖掘频繁出现的项集。
- 使用FP-growth算法的能力从各种病毒的遗传序列中提取可解释的特征。
- 一种创新的病毒基因组序列特征选择和维度缩减方法，基于6-mer特征的频繁模式。
- 基于获得的区分特征，为每种病毒模式设计了一种一对一决策树分类器。
- 所提出方法在特征提取和分类阶段对病毒变体、类型或长度的独立性进行了评估。

图1展示了这项跨学科研究中各个阶段的整体结构以及计算机和AI算法在最终阶段的作用。

文献综述
近年来，生物问题的复杂性日益需要跨学科的方法。其中，生物信息学和计算生物学的结合已成为一种关键力量，将实验科学与数据驱动的分析相结合，为传染病提供了变革性的见解。

方法论
与其他学科一样，统计模式识别遵循特定的工作流程，包括依次执行的几个步骤：数据收集、数据清洗、特征识别和模型开发。特征提取涉及清洗原始数据以获得相关属性，然后用于训练模型。图2展示了一个说明机器学习总体过程的流程图。

实验结果
在本节中，描述了所提出方法实验的结果。实验使用了MATLAB软件进行。结果分为几个部分呈现；首先，从20类问题的角度观看了收集的数据。基于这些特征，使用所描述的模式识别方法提取并训练了一个模型。然后将该训练好的模型作为多类分类器进行测试。此外，一些实验还涉及到检查...

结论
在这项研究中，使用AI方法在基因层面进行了一系列病毒的分类和检测。研究基于NCBI GenBank数据集中的20种常见病毒类型的公共数据。特征提取阶段使用了探索频繁项集的方法。为此，将FP-growth算法应用于从6-mer技术中提取的数据，该算法在其他领域也有广泛应用。

作者贡献声明
Amin Khodaei：撰写——原始草稿、可视化、验证、监督、资源管理、项目执行、方法论、调查、数据策划、概念化。
Elah Haghani：撰写——原始草稿、可视化、资源管理、方法论、调查。Sarvenaz Moeini：写作——审稿与编辑、方法论、研究。
利益冲突声明
作者声明不存在任何可能影响本文所报告工作的已知财务利益冲突或个人关系。
Amin Khodaei | Elahe Haghani | Sarvenaz Moeini