通过多组学数据整合和机器学习手段，针对甲型流感病毒、SARS-CoV-2病毒、寨卡病毒和登革热病毒，构建了一份涵盖宿主依赖性因素的跨病毒地图

《Journal of Translational Medicine》：A pan-viral map of host dependency factors from multi-omics integration and machine learning across influenza A, SARS-CoV-2, Zika, and dengue viruses

　　

摘要

背景

宿主依赖因子（HDF）对病毒复制至关重要，是开发广谱抗病毒药物的有希望的目标。然而，大多数研究都集中在个别病毒或个别数据类型上，这限制了我们对病毒间共同宿主机制的理解。

方法

我们开发了一个跨病毒框架，整合了多种组学数据——包括全基因组干扰筛选、单细胞转录组以及病毒相互作用组——并将基于图的学习方法与经典机器学习模型相结合，以确定四种RNA病毒（SARS-CoV-2、甲型流感病毒、登革热病毒和寨卡病毒）的宿主依赖因子。

结果

该框架在各种病毒中均表现出较高的区分能力，在基准数据集上的接收者操作特征曲线（ROC-AUC）下面积大于0.90，并识别出所有四种病毒共有的118个基因以及至少三种病毒共有的427个基因。这些基因涉及一些共同的宿主功能，如网格蛋白介导的进入方式、内膜转运、RNA处理、应激颗粒的形成，以及蛋白质稳态和泛素-蛋白酶体信号通路。这种跨病毒的特征在训练集之外也具有普遍性，因为在排名靠前的埃博拉病毒候选基因中，共有三种或更多病毒共享的基因显著富集。我们进一步提供了一个优先清单和实验验证路线图，以指导后续的干扰研究。

结论

我们的整合性多组学和机器学习方法基于预测和分析，绘制出了跨病毒的宿主依赖性地图，指出了针对多种RNA病毒进行宿主定向治疗的可行途径。