登Nature子刊！北大团队AI突破：新冠、艾滋病、流感病毒进化方向预测精度提升67%

自2019年12月新冠疫情（COVID-19）爆发以来，全球公共卫生体系面临了前所未有的挑战。SARS-CoV-2病毒的快速变异和传播能力，不仅使得疫情防控变得异常艰难，也给疫苗和药物的设计带来了巨大挑战。近期，甲型流感病毒的流行再次凸显了病毒变异带来的公共卫生风险。在此背景下，北京大学信息工程学院与广州国家实验室的研究团队提出了一种名为E2VD的进化驱动病毒变异驱动力预测框架，为病毒进化方向的预测和疫苗药物设计提供了新的解决方案。

研究以「A unified evolution-driven deep learning framework for virus variation driver prediction」为题于 2025 年 1 月 17 日发表在《Nature Machine Intelligence》上。 

病毒进化的复杂性与挑战

病毒进化是一个高度复杂且随机的过程，其中突变是进化的基础。然而，只有极少数突变能够增加病毒的适应性，即有益突变，而绝大多数突变对病毒是有害的。这种有益突变与有害突变的不平衡问题，给深度学习模型在预测病毒稀少有益突变时带来了巨大困难。此外，病毒通常仅有少数位点会发生突变，这使得神经网络难以直接捕获突变引起的微弱分子内相互作用变化，进一步增加了建模的难度。

E2VD框架的提出与优势

针对上述挑战，E2VD框架应运而生。该框架通过整合进化信息和深度学习技术，实现了对SARS-CoV-2病毒、流感病毒、寨卡病毒和艾滋病病毒等多种病毒进化方向的预测。E2VD框架的核心优势在于其能够准确识别病毒中的关键突变位点，并预测这些突变对病毒适应性的影响。这不仅显著提升了人类对新发病毒感染的响应速度，也为疫苗和药物的快速优化提供了重要支持。

具体来说，E2VD框架通过以下步骤实现病毒进化方向的预测：

  1. 数据收集与处理：收集病毒的基因组序列、突变信息以及相关的进化历史数据。

  2. 特征提取：利用进化算法和深度学习技术，从病毒基因组中提取出与进化相关的关键特征。

  3. 模型训练：基于提取的特征，训练深度学习模型以预测病毒的变异驱动力。

  4. 预测与验证：利用训练好的模型对病毒的进化方向进行预测，并通过实验验证预测结果的准确性。

E2VD框架的应用前景与意义

E2VD框架的提出，标志着病毒进化预测领域取得了重大突破。该框架不仅能够为疫情防控提供及时、准确的预测信息，还能够为疫苗和药物的设计提供科学依据。在新冠疫情持续肆虐和流感病毒等其他病原体不断变异的背景下，E2VD框架的应用前景广阔，具有重大的社会和经济价值。

此外，E2VD框架的成功也为其他领域的研究提供了启示。例如，在癌症研究、生物多样性保护等领域，同样面临着复杂且随机的进化过程。E2VD框架的思路和方法或许能够为这些领域的研究提供新的视角和解决方案。

结论

综上所述，E2VD框架的提出为解决病毒进化预测难题提供了新的思路和方法。该框架通过整合进化信息和深度学习技术，实现了对多种病毒进化方向的准确预测，为疫情防控、疫苗和药物设计等领域提供了重要支持。随着研究的深入和技术的不断进步，相信E2VD框架将在未来发挥更加重要的作用，为人类抵御病毒侵袭、保障公共卫生安全作出更大的贡献。

论文地址：

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