研究前沿：北京大学田永鸿团队深度学习-预测病毒变异

新出现病毒的感染越来越频繁，需要人类做出快速反应，这凸显了计算方法的成本效益。然而，现有计算方法，受制于输入形式或不完整功能，这妨碍了统一预测不同病毒变异驱动因素，阻碍了深入应用。

近日，北京大学(深圳)/鹏城实验室Zhiwei Nie, Xudong Liu，Jie Chen，田永鸿Yonghong Tian等，在Nature Machine Intelligence上发文，提出了统一进化驱动的病毒变异驱动预测框架，称为进化驱动的病毒变异驱动预测Evolution-driven Virus Variation Driver prediction (E2VD)，以病毒的进化特征为指导。

受进化启发的设计，在各种病毒突变驱动程序预测任务中，E2VD全面而显著地优于最先进的方法，还有效地捕获了病毒进化的基本模式。不仅能区分不同类型的突变，还能准确识别对病毒存活至关重要的罕见有益突变，同时保持SARS-CoV-2不同谱系和不同类型病毒的泛化能力。重要的是，通过预测的生物驱动因素，E2VD可以感知病毒的进化趋势，其中准确推荐了潜在的高风险突变位点。

总体而言，E2VD代表了一种统一的、无结构的和可解释的方法，以用于分析和预测病毒进化适应性，为昂贵的湿实验室测量提供了理想替代方法，以加速反馈新出现的病毒感染。

A unified evolution-driven deep learning framework for virus variation driver prediction.

统一进化驱动深度学习框架，以预测病毒变异驱动进化

图1: E2VD动机和方法。

图2: 模型架构和预测任务。

图3: E2VD预测性能。

图4: 消融研究。

图5: 泛化性能评估。

图6: 进化趋势预测流程和结果。

文献链接

Nie, Z., Liu, X., Chen, J. et al. A unified evolution-driven deep learning framework for virus variation driver prediction. Nat Mach Intell (2025). https://doi.org/10.1038/s42256-024-00966-9

https://www.nature.com/articles/s42256-024-00966-9

本文译自Nature。

来源：今日新材料

声明：仅代表译者观点，如有不科学之处，请在下方留言指正！

研究前沿：北京大学田永鸿团队深度学习-预测病毒变异 | Nature Machine Intelligence