基于核酸的病毒诊断设计通常遵循启发式规则，为了应对病毒的变异，重点关注基因组的保守区域。相反，一个设计过程可以利用对目标及其变异体的敏感性的学习模型直接优化诊断效果。有鉴于此，美国哈佛大学的Pardis C. Sabeti、Hayden C. Metsky等研究人员，利用机器学习实现灵敏病毒诊断的设计。

本文要点

1）研究人员为了实现这一目标，筛选了19209个诊断目标对，集中于基于CRISPR的诊断，并训练了一个深度神经网络来准确预测诊断的读出量。

2）研究人员将这一模型与组合优化结合起来，在病毒基因组变异的全部范围内实现灵敏度最大化。

3）研究人员引入了自动设计系统ADAPT，并利用它在2小时内为大多数脊椎动物感染的病毒物种设计了诊断方法，并在24小时内为所有物种设计了诊断方法，只有三种除外。

4）研究人员在实验中发现，ADAPT的设计在谱系层面上是敏感和特异的，并且在病毒的各种变异中实现较低的检测极限。

本文研究的这一策略为病原体检测提供了一个前瞻性的资源。

参考文献：

Hayden C. Metsky, et al. Designing sensitive viral diagnostics with machine learning. Nature Biotechnology, 2022.

DOI：10.1038/s41587-022-01213-5

https://www.nature.com/articles/s41587-022-01213-5