インクリメンタル機械学習を使用した非中立SARS-COV-2バリアントの動的予測

この作業では、インクリメンタル機械学習を使用して、中立のSARS-COV-2系統の分類を予測できることを示しています。これは、中立的な変異体と非中立変異体、つまり関心のあるバリアントや懸念のバリアントを動的に区別することです。GISAID DBで収集されたスパイクタンパク質の一次配列から始めて、一連のK-MERS機能、つまり固定長kのアミノ酸サブシーケンスを導き出しました。その後、2020年2月から2021年10月まで収集されたバリアントで毎月テストされたロジスティック回帰増分学習者を実装しました。分類器の平均精度の平均値は0.72±0.2で、過去12か月で0.78±0.16に増加しました。アルファ、ベータ、ガンマ、ETA、カッパ、デルタのバリアントは、平均リコール〜90％を持つ非中性バリアントとして認識されていました。要約すると、インクリメンタル学習は、新しいデータのモデルを時間の経過とともに更新する能力を考えると、パンデミックサーベイランスの有用な手段であることが証明されました。

In this work we show that Incremental Machine Learning can be used to predict the classification of emerging SARS-CoV-2 lineages, dynamically distinguishing between neutral variants and non-neutral ones, i.e. variants of interest or variants of concerns. Starting from the Spike protein primary sequences collected in the GISAID db, we have derived a set of k-mers features, i.e., aminoacid subsequences with fixed length k. We have then implemented a Logistic Regression Incremental Learner that was monthly tested on the variants collected since February 2020 until October 2021. The average value of balanced accuracy of the classifier is 0.72 ± 0.2, which increased to 0.78 ± 0.16 in the last 12 months. The alpha, beta, gamma, eta, kappa and delta variants were recognized as non-neutral variants with mean recall ∼90%. In summary, incremental learning proved to be a useful instrument for pandemic surveillance, given its capability to update the model on new data over time.