跳到正文
PNAS· Shimin Su; Yun Sang Tang; Qi Li; Lirong Cao; Yexian Zhang; Jingzhi Lou; Hong Zheng; Caiqi Liu; Yuanxin Sun; Jianxun Li; Zhihui Zhang; Benny Chung-Ying Zee; Peter Pak Hang Cheung; Zigui Chen; Renee Wan Yi Chan; William Ka Kei Wu; Jun Yu; Hui-ling Yen; Haogao Gu; Leo Lit Man Poon; David S. Hui; Julian A. Hiscox; Chris Ka Pun Mok; Maggie Haitian Wang·· 来源仅提供日期精选AI 评分73

研究提出 Beth-2 框架,利用宿主内深度测序数据预测病毒关键突变

Predicting key viral mutations from within-host deep sequencing data

AI 导读

研究团队提出计算框架 Beth-2,通过分析宿主内病毒基因组深度测序数据预测 SARS-CoV-2 的关键突变。在回溯数据验证中,该模型识别出 98.6% 的受体结合域关键突变,这些突变在人群层面占据主导前的中位提前量为 9 个月;26 个前瞻预测突变中有 69% 表现出传播力显著增强,5 个对接种 COVID-19 mRNA 疫苗者血浆出现显著免疫逃逸。

推荐理由

读者可了解 Beth-2 如何利用宿主内深度测序数据预测病毒关键突变,以及该框架回溯与前瞻验证的主要结果。

已发表论文 · journal · 10.1073/pnas.2536820123

本站摘要基于收录版本 v1(2026-11-06),原始摘要与 AI 导读固定保留。

IF(5) 10.6 · 2025 · 期刊参考指标

摘要 · AI 翻译

SARS-CoV-2 的快速演化驱动着持续的疫情波,削弱疫苗保护效果,并给人群健康带来沉重负担。预测病毒演化是当前及未来应对传染病医疗措施的关键,可实现疫苗的良好匹配与及时的疫情响应。然而,由于其高遗传多样性、快速传播能力和演化速率,准确且及时地预测 SARS-CoV-2 的演化仍是一项挑战。为此,我们开发了一个计算框架 Beth-2,通过分析宿主内病毒基因组深度测序数据来预测 SARS-CoV-2 的关键突变。我们利用变异株在宿主内表现出的早期适应度信号及其在宿主间的适应度模式,来推断具有适应度潜力的新兴突变。在回顾性数据验证中,我们模型可检测到 98.6% 的 SARS-CoV-2 受体结合域关键突变,且在这些突变于人群水平占据主导地位之前,中位领先时间为 9 个月。在 26 个前瞻性预测的突变中,69% 表现出显著增强的传播力,其中五个在预测时间 6 个月后采集的接种 COVID-19 mRNA 疫苗受试者血浆中显示出显著的免疫逃逸。Beth-2 预测的功能增强突变包括 F456L,它是包括 KP.3、NB.1.8.1 和 XFG 在内的多个当前流行谱系的标志性突变。该模型能够捕捉宿主自然免疫环境下具有高适应度潜力的突变,并可应用于其他病原体。该框架可与现有的基因组监测网络结合实施,为疫苗准备和疫情响应提供高效有力的工具。

来源:PNAS · doi.org