机器学习方法用于流感A病毒风险评估，利用雪貂体内数据识别预测相关因素

摘要：对雪貂中流感A病毒（IAV）致病性和传播性的体内评估代表了许多大流行风险评估标准的重要组成部分，但对于系统地识别哪些体内实验数据对预测致病性和传播结果最有用的努力却很少。为此，我们汇总了在一致协议下评估的125种当代IAV（H1、H2、H3、H5、H7和H9亚型）的病毒和分子数据。使用机器学习（ML）技术构建了三种总体预测分类结果（致死率、发病率、传播性），采用的数据集强调了接种雪貂的病毒学和临床参数，限于基于病毒序列的信息，或结合两类数据。在测试和评估的11种不同ML算法中，梯度提升机和随机森林算法表现最佳，致死率和传播模型的表现一致优于发病率模型。对模型间的特征选择进行了比较，表现最佳的模型与外部风险评估研究的结果进行了验证。我们的研究结果表明，ML算法可以用来将复杂的体内实验工作总结成简明扼要的摘要，从而丰富和增强考虑体内数据的大流行准备风险评估标准。