基于机器学习方法的SARS-CoV-2分类综述

### 基于机器学习方法的SARS-CoV-2分类综述 #### 1. 引言 当前，全球面临的严峻问题之一便是新冠病毒的爆发。世界卫生组织已将由SARS-CoV-2病毒引发的2019冠状病毒病（COVID - 19）宣布为大流行病。SARS-CoV-2是一种属于冠状病毒科、β冠状病毒属的RNA病毒。冠状病毒根据其抗原和遗传特征，主要分为α - CoVs、β - CoVs、γ - CoVs和δ - CoVs四种类型。这些病毒通过蛋白质生物合成在人体细胞中产生四种蛋白质，即膜蛋白、刺突蛋白、核衣壳蛋白和包膜蛋白。 细胞是生物体的基本组成单位，基因则是由DNA构成的决定遗传的基本物理单位。DNA序列由腺嘌呤（A）、鸟嘌呤（G）、胞嘧啶（C）和胸腺嘧啶（T）表示的核苷酸组成。一般来说，人类基因组大小约为700MB，而SARS-CoV-2的基因组大小约为30KB。数学家、医学专家和计算机科学家对SARS-CoV-2对人类基因组的影响进行了建模和模拟，这些成果对疾病的检测和防控起到了重要作用。 COVID - 19的诊断可以通过临床程序或计算机方法，如基因组序列分类来实现。目前主要有三种分类器：非机器学习（Non - ML）分类器、机器学习（ML）分类器和深度学习（DL）分类器。非ML分类器在分类时需要人工干预来确定阈值，常见的非ML分类技术包括基于规则的分类、静态分类阈值、决策阈值、基于度量的分类等。ML分类器则能从经验中自动对数据进行分类，无需明确编程，且人工干预较少。 #### 2. 用于COVID - 19分类的机器学习分类器 ##### 2.1 机器学习技术 机器学习能够让计算机自主执行任务，是一种数据分析技术，通过创建和拟合模型，使计算机能够从重复中“学习”并预测未来。以下是一些使用机器学习方法对SARS-CoV-2进行分类的研究： - **XGBoost决策树**：Li Yan等人在2020年提出了基于XGBoost的预后技术，用于预测SARS-CoV-2病例。该技术具有较高的模式分类和特征选择能力，预测准确率高达90%，但仅考虑了现有300个特征中的3个。 - **多种模型对比**：Ünal和Dudak在2020年对COVID - 19的Kaggle数据集使用了SVM、决策树、KNN和随机森林等ML分类技术。其中，SVM算法的成功率达到100%，分类准确率最高，但除Kaggle数据集外，其他数据分类不准确。 - **KNN分类**：Arslan等人在2021年提出了一种基于KNN的COVID - 19识别方法，利用2019年收集的数据集，该方法的准确率达到98.4%，但由于特征较少，无法正确分类新的病毒变种。 以下是部分机器学习方法的总结： |作者及年份|方法|数据集|发现|研究差距| | ---- | ---- | ---- | ---- | ---- | |Li Yan等2020|XGBoost - 决策树|同济医院患者电子记录|预测准确率达90%|仅考虑3个特征| |Ünal和Dudak 2020|SVM、决策树、KNN、随机森林|COVID - 19 Kaggle数据集|SVM分类准确率高|除Kaggle数据集外分类错误| |Xiang等2020|肝功能测试、肾功能测试|28例COVID - 19临床样本|有助于检测COVID - 19存在|样本有限，无法区分变种| |Rustam等2020|LR、SVM、ES|GitHub仓库、约翰霍普金斯大学数据|LR和LASSO在确诊病例中表现良好|需用修订数据集研究预测方法| |Nemati等2020|GB、Fast SVM、Fast Kernel SVM|1182例COVID - 19患者实时数据|GB预测准确率高|ML方法预测不准确| |Aziz Alotaibi等2021|ANN、SVM、RFR|北京大学S1数据|最小化成本函数，误差率低|对新基因序列过拟合| |Arslan等2021|KNN分类|2019nCoVR仓库|准确率达98.4%|因特征少，新变种分类错误| |Naeem等2021|KNN|NCBI GenBank|分类准确率高，误差率低|无法准确预测| |Arslan 2021|KNN分类器|CpG岛特征 - 2019nCoVR仓库|消除性能开销|需提高分类准确率| |Ahmed等2022|SVM|GenBank NCBI - COVID - 19数据集|分类效果好，COVID