使用 PSSM 和词嵌入预测流感病毒 A 的宿主
本研究提出了一种基于多通道神经网络模型的方法,从血凝素和神经氨酸酰化酶蛋白序列来预测甲型流感病毒的宿主和抗原亚型,结果表明多通道神经网络在预测从全蛋白序列到部分蛋白序列的甲型流感病毒宿主和抗原亚型方面具有潜力和实用性。
Jun, 2023
该研究提出了 Optimus PPIme - 一种深度学习方法,可从现有病毒(例如 SARS-CoV-2)中预测未来更具传染性的变体,以改善疫苗设计和提前预防疫情爆发,救援生命。
May, 2022
通过追踪特定美国州 COVID-19 子版块 Reddit 帖子的句子级表示的高密度聚类,我们将基于转换器的语言模型纳入了传染病建模中,并在许多高质量数据集中进行基准测试。结果表明,除了其他特征类型之外,这些聚类嵌入特征在预测传染病上升趋势信号方面表现最好,对于流行病学数据不可靠的领域具有重要意义。随后,在时间序列预测任务中,我们充分利用了以上模型的预测能力,并比较了使用不同补充数据集作为协变量特征集时,基于转换器的时间序列模型的相对优势。
May, 2022
本文提出了一种新的方法来预测冠状病毒宿主特异性,将 “棘蛋白” 序列进行分析,采用泊松距离校正距离矩阵来生成低维度嵌入,并应用分类算法来生成结果预测,并证明了泊松距离校正距离在机器学习环境中的重要性。
Apr, 2023
本研究使用机器学习方法,结合多种数据源包括谷歌搜索、社交媒体数据和卫生部门数据等,提供实时和预测性的美国流感活动估计。通过将每个数据源产生的流感样病例(ILI)活动情况独立生成的多个估计值结合起来,使用机器学习集成方法生成准确的每周 ILI 预测,为 CDC ILI 报告发布前的四周提供预测。结果证明,将不同数据源(包括社交媒体和众包数据)纳入流感预测可以获得极大的洞见。
Aug, 2015
本文介绍了 AAAI-2021 CONSTRAINT 共享任务中开发的系统,包括在英语中检测 COVID19 虚假新闻和在印地语中检测敌对帖子。该研究使用 SVM,CNN,BiLSTM 和 CNN+BiLSTM 等技术进行分类任务,结果表明 SVM 在使用 tf-idf 特征方面在 task-A 测试集上实现了最高的 94.39%加权 $f_1$ 分数。标签功率集 SVM 使用 n-gram 特征在 task-B 测试集上获得了 86.03%的粗分类和 50.98%的细分类 $f_1$ 分数。
Jan, 2021
利用机器学习预测病毒肽与主要组织相容性复合物的结合有助于疫苗开发,并成为抗击大流行病的关键组件。本研究基于循环神经网络,将来自不同数据源的回归器(结合亲和力数据)和分类器(质谱数据)组合以获得更全面的预测工具,并在最近发布的 SARS-CoV-2 数据集上进行了评估,结果表明 USMPep 不仅在选定的单一等位基因上创造了新的最佳表现,而且在某些度量标准上甚至是整体最佳表现的方法之一。
Apr, 2021
本研究提出了一个基于社交意识图神经网络(SAB-GNN)的预测模型,通过考虑病征相关搜索频率的下降来捕捉公众意识在疫情多波次间的变化,以实现对疫情多次爆发进行预测,并利用日本东京地区的移动和网络搜索数据进行模型训练,结果表明该模型在预测未来疫情爆发方面优于 ST-GNN、MPNN 和 GraphLSTM 等现有模型。
Oct, 2021
在信息泛滥的时代,我们提出了一种新颖的方法来预测病毒谣言和易受攻击的用户,该方法利用了图神经网络模型、多任务训练策略和数据集构建,实现了在谣言检测、病毒性预测和用户脆弱性评分等任务上的卓越性能提升。
Jan, 2024