人工智能在病毒检测中的应用:从宏基因组发现到临床决策支持与人群监测

《BioTech》:Artificial Intelligence in Virus Detection: From Metagenomic Discovery to Clinical Decision Support and Population Surveillance

【字体: 大 中 小 】 时间:2026年10月11日 来源:BioTech 3.6

编辑推荐:

  人工智能(artificial intelligence, AI)在现代病毒检测中日益占据核心地位,尤其是在宏基因组下一代测序(metagenomic next-generation sequencing, mNGS)将诊断与监测能力扩展至靶向检测之外的情况下

  
人工智能(artificial intelligence, AI)在现代病毒检测中日益占据核心地位,尤其是在宏基因组下一代测序(metagenomic next-generation sequencing, mNGS)将诊断与监测能力扩展至靶向检测之外的情况下。本综述评述了AI如何在三个相互关联的层面支持病毒检测:宏基因组层面构成该综述的技术核心,临床与人群层面则考察序列层面的AI输出如何转化为患者层面和公共卫生层面的决策支持。在宏基因组层面,AI应对了由碎片化组装和微弱同源信号所导致的关键瓶颈。基础模型方法(如ViraLM)利用预训练的基因组表征改善短重叠群条件下的病毒重叠群判别能力;而LucaProt则整合序列与结构信息的学习方式,通过以RNA依赖性RNA聚合酶(RNA-dependent RNA polymerase, RdRP)为核心的发现流程,检测高度分化的RNA病毒。在临床层面,当疑似病原体已知时,靶向分子检测仍然有效;而mNGS提供了一种互补的、无假设的方法,可在实验室实施适当质量控制且临床医生结合临床背景解读结果的前提下,拓宽复杂感染中的病因学调查范围。在人群层面,早期预警系统将异质数据源(流行病学、开源、数字、环境和废水信号)与AI方法相结合,以增强疫情暴发检测与预测能力。在所有层面,稳健的污染控制、透明报告、外部验证和标准化解读标准共同决定其实用价值。总体而言,将分子证据、临床元数据和人群规模监测整合于受治理且可重复的工作流程中的混合型流水线,可能产生最大的实际影响。
1. 引言
宏基因组下一代测序(mNGS)通过实现临床和环境样本中核酸的广泛、无假设分析,将病毒检测扩展至靶向检测之外。然而,其诊断价值取决于在相应实验室和临床背景下对测序结果的解读。mNGS产生的数据量大且异质性强,易受宿主背景、低丰度病毒读段、测序噪声、污染、碎片化组装和不完整参考数据库的影响。对于新型或高度分化病毒,传统基于同源性的方法敏感性可能下降,研究人员因此越来越多地应用人工智能(AI)来优化序列过滤、分类、病毒发现和结果解读。近期方法体现了从传统生物信息学向表征学习和深度学习的转变:ViraLM利用预训练基因组基础模型支持病毒重叠群识别,LucaProt结合序列与结构信息学习来检测高度分化的RNA依赖性RNA聚合酶(RdRP)蛋白。同时,向临床和公共卫生实践的转化仍受污染控制、验证、可解释性、报告标准以及计算输出与实验室和临床证据整合需求的限制。综述界定了基础模型、重叠群、病毒“暗物质”、RdRP、结构信息学习及无假设mNGS等关键术语。全文从三个层面展开:宏基因组分析、临床解读和人群监测,分别对应第2至第6节。

2. 临床层面:AI赋能的患者标本病毒检测
在临床层面,核心问题是如何将实验室生成的mNGS数据转化为支持患者层面诊断和决策的证据。传统实验室诊断在疑似病毒已知且方案靶向特定分析物时最为有效;mNGS作为补充诊断方法,可从同一份样本中检测广谱病原体,无需预设单一病因靶标。临床研究已在复杂感染(如肺部感染)中评估了mNGS的病因学调查价值,并强调结合临床背景和常规诊断解读结果。临床解读需要清晰的报告流程,将测序发现与患者表现、病史、治疗和风险因素相关联。典型工作流程包括读段级质量控制与过滤、宿主读段剔除、分类学分析,以及组装重叠群以改进下游表征。图1展示了从数据生成到宏基因组分析、临床解读和人群监测的总体框架;图2则总结了mNGS生物信息流水线中五个AI贡献领域。临床证据基础已扩展至前瞻性和多中心评估,但研究仍存在患者选择、比较方法和终点方面的异质性。诊断阳性率本身并不等于临床效用;结果只有在改变诊断、抗微生物治疗、隔离决策或额外检测需求时才具有临床价值。临床决策支持应结合序列置信度、丰度与覆盖度、对照行为、标本特征、常规微生物学结果及患者表现,形成可审查的透明评估。常规采用还受检测验证、可重复性、质量管理、报告标准、周转时间、成本、报销及监管路径影响。

3. 宏基因组层面:生物信息流水线中的五方面AI贡献
AI在宏基因组层面的贡献覆盖五个连续领域:质量控制与预处理、宿主剔除与污染去除、分类学分类、功能分析(包括耐药性检测)、整合与解读报告。ViraLM和LucaProt在分类学分类阶段作为代表性AI方法讨论。

3.1 质量控制与预处理
临床mNGS中,测序人工产物、低质量碱基和低复杂度读段可能传播至下游流程并增加假阳性,尤其在低生物量标本中。AI和机器学习可通过稳健过滤和信息读段优先排序来强化此阶段。预处理决策也影响下游AI分类模块的性能:ViraLM和LucaProt等模型在输入噪声最小化时更为可靠。

3.2 宿主剔除与污染去除
机器学习可通过学习区分宿主、污染物和非宿主信号的模式来支持宿主剔除与去污染。宿主来源核酸在血浆、脑脊液和支气管肺泡灌洗液等常见标本中常占主导,化学裂解联合DNase消化以及CRISPR-Cas9杂交耗竭(DASH)等方法可提高病原信噪比;但多实验室证据表明耗竭步骤可能降低低生物量样本中的微生物检出,需按标本类型验证。污染控制同样关键:试剂和实验室来源DNA(“kitome”)及提取过程中的交叉污染可能引入非特异读段。建议采取无模板对照、提取空白、标准化模拟群落和内标spike-in对照。AI工作流应嵌入明确记录宿主剔除步骤、污染控制和过滤阈值的流水线中,避免作为孤立“黑箱”调用。

3.3 分类学分类
基于深度学习的序列表征可在同源性较弱时改善分类学分类,尤其适用于短重叠群和高度分化病毒。基础模型通过大规模预训练编码可泛化的基因组模式,改善标记数据不完整、重叠群短或目标序列偏离参考库情况下的性能。参考数据库(NCBI、ViPR、BV-BRC、GISAID、IMG/VR、ICTV、Virus-Host DB)构成序列检测基础,但碎片化重叠群和大量未表征病毒多样性限制纯同源方法。ViraLM和LucaProt代表了两种扩展检测与发现能力的方向。

3.3.1 ViraLM
ViraLM使用预训练的DNABERT-2基因组基础模型作为骨干,通过Byte-Pair Encoding(BPE)标记输入序列,经Transformer编码后以二分类目标区分病毒与非病毒重叠群。训练集包含49,929个高质量病毒基因组和来自细菌、古菌、质粒及真核宿主/载体的阴性序列。基准测试显示在短重叠群条件下F1分数提高22%。预测时将输入序列分为2kb片段,各片段评分取平均,默认阈值0.5为病毒。ViraLM不提供分类学或基因注释输出,且Transformer处理超长序列时计算负担较大;因此应作为候选病毒重叠群的优先排序工具,需后续注释和正交验证。其研究未建立常规临床标本的前瞻性假阳性或假阴性率,部署尚需外部多中心验证。

3.3.2 LucaProt
LucaProt专门用于在宏转录组数据中发现高度分化的RNA病毒,通过整合氨基酸序列信息和预测结构表征来识别分化型病毒RdRP序列。模型使用序列分支(BPE子词标记、Transformer编码、Value-Level Attention Pooling, VLAP)和结构信息分支(ESMFold衍生表征加VLAP),融合后经全连接层输出RdRP概率。训练集包含235,413个样本,其中5,979个已知病毒RdRP为阳性,229,434个非病毒RdRP及其他蛋白类别为阴性。应用于10,487个宏转录组后识别出161,979个推定RNA病毒物种和180个RNA病毒超群,部分候选经RT-PCR和RNA/DNA测序确认。LucaProt的强证据主要支持大规模RNA病毒发现而非常规诊断,其结构信息分支增加了计算复杂度,更适合作为发现和候选优先排序平台而非独立临床诊断工具。

3.4 功能分析与耐药性检测
宏基因组分析可鉴定与抗微生物耐药性(AMR)相关的遗传决定因素,但临床可操作性取决于质量控制、解读标准和患者背景关联。AMR分析高度依赖所用参考数据库和检测模型:CARD提供本体驱动的抗性组注释框架,MEGARes 2.0提供结构化耐药基因目录。AMR“命中”具有数据库依赖性,报告时应明确参考数据库版本和检测标准。靶向纳米孔测序可在呼吸道感染样本中同时检测病原体和耐药基因,但检测到耐药基因并不自动确立表型耐药,AMR谱系提供基因型证据,支持但不能替代临床关联和抗微生物管理决策。

3.5 整合与解读报告
整合与报告是mNGS输出具有临床意义的环节:流水线需从原始命中转向关于可能因果、置信度和临床相关性的可解读陈述。这需要综合读段/重叠群丰度模式、基因组覆盖度、阴性对照行为与临床表现一致性,并明确记录判定为可报告与可能背景/污染的决策规则。临床级报告依赖标准化工作流程和质量管理。跨流水线的整合挑战在于报告透明度:不同流程、数据库和阈值可能产生不同结果,需标准化报告。临床报告应包含检出判定理由、低丰度信号处理方式、对照使用情况和临床可操作性局限。外部验证和工作流程级性能证据对于常规临床决策必不可少。

4. 整合综合:从宏基因组分析到临床使用
AI的价值不限于单一分类步骤:预处理改进影响下游敏感性,更强分类改变进入验证的候选,更好整合决定宏基因组信号是否具有临床可操作性。表1比较了代表性AI方法,区分分析性/算法性局限与操作性/部署性问题。序列模型(ViraLM、LucaProt)主要改善候选鉴定或发现,临床mNGS框架强调解读和报告,AI监测系统在人群层面运行;这些输出互补但不可互换。高敏感性可能增加模糊或偶然发现,基准误差降低不能保证标本类型、测序平台或实验室流程变化后性能不变。最重要的证据缺口不是模型能否检测困难病毒信号,而是嵌入常规实验室和公共卫生流程后其性能是否保持校准、可解释和操作可用。未来评估应报告外部验证的假阳性/假阴性率、校准度、计算需求、周转时间和跨独立数据集的失败模式。

4.1 AI赋能实施实例
ViraLM在三个真实宏基因组数据集中优先排序病毒重叠群;LucaProt在10,487个宏转录组中实现大规模发现,部分候选经实验确认。另一AI赋能的NGS流水线在流感病毒、SARS-CoV-2、肠球菌噬菌体和玉米伊朗花叶病毒数据集上进行了测试。自动化mNGS检测也已使用真实呼吸道标本完成实验室验证。这些实例表明实际实施已存在,但多数证据仍处于验证或研究部署阶段。

4.2 跨领域AI局限与风险
一是过度依赖难以解释内部决策过程的模型,即“黑箱”行为;AI输出应可追溯到序列证据、质控指标、参考信息和确证实验发现。二是算法偏差:训练数据可能过度代表特定病毒类群、地理区域、测序平台或标本类型,需跨独立实验室和人群的外部验证。三是自动化偏差:用户可能过度信任AI结果,需人机协同审查、显式不确定性报告和预设升级标准。四是过度检测:高灵敏流程可能标记低丰度生物、污染物、潜伏或非因果序列,应区分“检出序列证据”与“临床显著发现”,使用预设报告阈值、阴性对照、正交确认和不确定性沟通。可解释性方法(注意力可视化、特征归因、简化替代模型)有助于专家审查,但不能替代验证。

4.3 实际部署与资源要求
AI辅助mNGS需要测序基础设施、数据存储、维护参考数据库、版本控制软件和能评估不一致发现的人员。Transformer模型和结构信息方法增加计算需求,可能限制缺乏专门生物信息学或高性能计算支持的机构。部署要求因环境而异:国家参考实验室可支持高通量测序和中央验证;区域公共卫生实验室需注重互操作性、转诊路径和标准化流程;医院临床微生物实验室则面临周转时间、现有诊断服务整合、临床报告和认证约束。成本应从工作流程层面考虑,包括测序、质量控制、计算硬件、存储、维护、培训、外部验证和确证检测。现有研究未提供标准化成本效益比较,未来实施研究应报告资源使用和周转时间。

5. 人群层面:检测、监测与早期预警
人群层面将分析链从个体患者延伸至群体。临床或环境mNGS生成的病毒序列和候选类群可成为基因组和废水监测的输入,人群信号反过来指导额外测序或靶向调查。ViraLM类分类器可优先排序来自大规模数据集的新病毒重叠群;LucaProt类方法在同源搜索失败时扩展RNA病毒发现,验证和分类后的输出可扩展参考资源。基于事件的监测使用开源报告、媒体和数字信息流识别潜在威胁,WHO的Epidemic Intelligence from Open Sources(EIOS)系统实现自动收集和优先排序,但候选信号仍需验证和解读。数字监测可从搜索行为、在线平台和社交媒体提供先行指标,但易受媒体效应、选择偏差和虚假相关影响;自然语言处理可将非结构化报告转化为结构化指标,但应视为调查提示而非病毒循环的直接证据。废水监测提供了与宏基因组工作流的直接连接:社区样本中的病毒核酸可测序和分析;机器学习用于时间序列建模、趋势预测和协变量整合;序列AI辅助新型或分化病毒信号优先排序。证据基础方面,多数监测研究评估回顾性预测或概念验证模型,而非对公共卫生结果的直接影响;操作部署需要前瞻性评估时效性、假警报负担、代表性、数据漂移鲁棒性以及警报是否实际改变采样、调查或响应决策。公共卫生决策支持层应结合基因组或废水信号与流行病学基线及透明升级阈值,保留人工审查和治理机制。最强实施模式不是独立的数字或废水平台,而是分子、临床、环境和开源证据可互操作、可比较并通过预设程序升级的工作流。

6. 结论
AI并不取代传统病毒检测方法;当实验室和公共卫生系统将可靠性和负责任部署作为核心要求时,AI在三个层面充当能力倍增器。在宏基因组层面,ViraLM和LucaProt示例表明AI通过预训练表征和能够在短重叠群或低同源性条件下工作的模型,强化新型或高度分化病毒的检测与发现。在临床层面,mNGS在病因不明时提供实质性补充诊断价值,但临床医生必须在严格质控框架内解读结果以减少假阳性。在人群层面,早期预警系统可整合流行病学、数字、环境和废水数据与AI,当公共卫生团队透明验证和操作化输出时改善信号检测和趋势预测。最大的实际收益来自结合分子数据(NGS/mNGS)、临床信息与环境监测的混合流水线。现有证据尚不支持跨AI辅助病毒检测工作流或部署环境的标准化成本效益比较,未来实施研究应报告工作流级成本、资源使用、周转时间及临床或公共卫生影响,与分析性能并列。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号