Designing sensitive viral diagnostics with machine learning.
Designing sensitive viral diagnostics with machine learning.
复制标题
利用机器学习设计敏感的病毒诊断。
DOI：
10.1038/s41587-022-01213-5
复制
发表时间：
2022-07
影响因子：
46.9
通讯作者：
Sabeti, Pardis C.
中科院分区：
文献类型：
--
作者：
Metsky, Hayden C.;Welch, Nicole L.;Pillai, Priya P.;Haradhvala, Nicholas J.;Rumker, Laurie;Mantena, Sreekar;Zhang, Yibin B.;Yang, David K.;Ackerman, Cheri M.;Weller, Juliane;Blainey, Paul C.;Myhrvold, Cameron;Mitzenmacher, Michael;Sabeti, Pardis C.
基于核酸的病毒诊断的设计通常遵循启发式规则，并且为了应对病毒变异，重点关注基因组的保守区域。相反，设计过程可以使用目标及其变体的敏感性学习模型直接优化诊断效果。为了实现这一目标，我们筛选了 19,209 个诊断靶点对，重点关注基于 CRISPR 的诊断，并训练深度神经网络以准确预测诊断读数。我们将该模型与组合优化结合起来，以最大限度地提高对病毒基因组变异全谱的敏感性。我们引入了具有全方位目标巡逻的活动知情设计 (ADAPT)，这是一种自动化设计系统，并使用它为大多数物种在 2 小时内设计诊断，对于除 3 种以外的所有物种，在 24 小时内设计诊断。我们通过实验证明，ADAPT 的设计对于谱系水平具有敏感性和特异性，并且在病毒变异中的检测限比标准设计技术的输出更低。我们的策略可以促进检测病原体的主动检测资源。使用机器学习和组合优化设计具有最高灵敏度的病毒诊断。
Design of nucleic acid-based viral diagnostics typically follows heuristic rules and, to contend with viral variation, focuses on a genome’s conserved regions. A design process could, instead, directly optimize diagnostic effectiveness using a learned model of sensitivity for targets and their variants. Toward that goal, we screen 19,209 diagnostic–target pairs, concentrated on CRISPR-based diagnostics, and train a deep neural network to accurately predict diagnostic readout. We join this model with combinatorial optimization to maximize sensitivity over the full spectrum of a virus’s genomic variation. We introduce Activity-informed Design with All-inclusive Patrolling of Targets (ADAPT), a system for automated design, and use it to design diagnostics for 1,933 vertebrate-infecting viral species within 2 hours for most species and within 24 hours for all but three. We experimentally show that ADAPT’s designs are sensitive and specific to the lineage level and permit lower limits of detection, across a virus’s variation, than the outputs of standard design techniques. Our strategy could facilitate a proactive resource of assays for detecting pathogens. Viral diagnostics with maximum sensitivity are designed using machine learning and combinatorial optimization.
登录
查看更多内容
DeepCRISPR：通过深度学习优化 CRISPR 引导 RNA 设计
影响因子：
12.3
作者：
Chuai G;Ma H;Yan J;Chen M;Hong N;Xue D;Zhou C;Zhu C;Chen K;Duan B;Gu F;Qu S;Huang D;Wei J;Liu Q
通讯作者：
Liu Q
影响因子：
3.7
作者：
Tan CY;Ninove L;Gaudart J;Nougairede A;Zandotti C;Thirion-Perrier L;Charrel RN;de Lamballerie X
通讯作者：
de Lamballerie X
DOI：
10.1126/science.aaf5573
发表时间：
2016-08-05
期刊：
Science (New York, N.Y.)
影响因子：
--
作者：
Abudayyeh OO;Gootenberg JS;Konermann S;Joung J;Slaymaker IM;Cox DB;Shmakov S;Makarova KS;Semenova E;Minakhin L;Severinov K;Regev A;Lander ES;Koonin EV;Zhang F
通讯作者：
Zhang F
影响因子：
14.9
作者：
Frankish A;Diekhans M;Ferreira AM;Johnson R;Jungreis I;Loveland J;Mudge JM;Sisu C;Wright J;Armstrong J;Barnes I;Berry A;Bignell A;Carbonell Sala S;Chrast J;Cunningham F;Di Domenico T;Donaldson S;Fiddes IT;García Girón C;Gonzalez JM;Grego T;Hardy M;Hourlier T;Hunt T;Izuogu OG;Lagarde J;Martin FJ;Martínez L;Mohanan S;Muir P;Navarro FCP;Parker A;Pei B;Pozo F;Ruffier M;Schmitt BM;Stapleton E;Suner MM;Sycheva I;Uszczynska-Ratajczak B;Xu J;Yates A;Zerbino D;Zhang Y;Aken B;Choudhary JS;Gerstein M;Guigó R;Hubbard TJP;Kellis M;Paten B;Reymond A;Tress ML;Flicek P
通讯作者：
Flicek P
影响因子：
14.9
作者：
Federhen S
通讯作者：
Federhen S