机器学习助力冠状病毒宿主溯源：从基因序列到疫情源头快速识别

冠状病毒的跨物种传播及其宿主溯源，始终是新发突发传染病防控中的核心难题。以COVID-19大流行为代表，冠状病毒的暴发往往与动物宿主向人类的溢出事件密切相关。然而，病毒的源头识别通常依赖传统系统发育分析，耗时较长且受限于采样偏差。近年来，随着基因组数据的积累与机器学习方法的快速发展，研究者开始尝试通过分析病毒基因组的组成偏倚，快速推断其潜在动物宿主，为疫情溯源提供全新视角。

为系统评估冠状病毒基因组中宿主相关的进化信号，研究团队从GenBank数据库中获取了650条刺突蛋白基因序列与511条全基因组序列，涵盖222种和185种冠状病毒。研究通过计算核苷酸、双核苷酸及密码子使用偏倚等116个基因组组成特征，构建了随机森林分类模型，用于预测病毒来源宿主（共9类，包括人类、蝙蝠、骆驼、猪、肉食动物等）。在严格的留一病毒种交叉验证下，模型预测准确率均达73%以上，表明刺突蛋白序列在宿主预测中具有与全基因组相当的信息量。

研究发现，不同宿主来源的冠状病毒在密码子使用与双核苷酸偏倚上存在显著差异。尤为重要的是，当将模型应用于从未参与训练的人源人畜共患冠状病毒（如SARS-CoV、MERS-CoV、SARS-CoV-2）时，模型预测结果与已知的中间宿主或源头高度一致：MERS-CoV被预测为骆驼来源，SARS-CoV被预测为肉食动物（如果子狸）来源，而SARS-CoV-2则被明确预测为蝙蝠（阴翼手亚目）来源，为COVID-19的蝙蝠起源说提供了独立于系统发育分析的新证据。

该研究不仅构建了高效精准的冠状病毒宿主预测方法，更首次系统揭示了刺突蛋白这一关键入侵结构蛋白在宿主适应过程中的组成性进化信号。这些发现可为新发冠状病毒的快速溯源提供技术支撑，尤其在新病毒出现初期，无需依赖传统序列比对或已知近缘病毒，即可通过基因组特征推断其潜在动物宿主，助力公共卫生机构在疫情初期快速锁定溯源方向、优化监测与防控策略。同时，该研究充分展示了机器学习在病毒宿主预测中的广泛应用潜力，为传染病溯源技术体系的构建提供了新范式。

随着全球病毒基因组数据的持续积累与算法模型的不断优化，此类宿主预测方法的准确性与泛化能力将进一步提升。未来，研究者可进一步整合病毒与宿主受体的相互作用特征、蛋白质结构信息及多组学数据，构建更具机制解释力的预测模型。此外，该方法可拓展至其他高后果人畜共患病毒（如埃博拉病毒、尼帕病毒等）的研究中，为全球新发传染病的主动监测与溯源提供更广泛的解决方案。在人畜共患传染病风险持续存在的当下，这种基于基因组组成与机器学习相结合的技术，犹如为疫情溯源体系配备了“快速识别雷达”，推动病毒溯源从传统系统发育分析向智能化、高通量方向转型。

参考文献：

[1] Brierley L, Fowler A. Predicting the animal hosts of coronaviruses from compositional biases of spike protein and whole genome sequences through machine learning. PLoS Pathog. 2021 Apr 20;17(4):e1009149.