許多人對病毒沒有多想的是，就像地球上為生存而掙扎的其他生物一樣，它們會進(jìn)化或變異。
只要看一看人類病毒來源的蝙蝠病毒RNA核苷酸序列片段即可：
AAAATCAAAGCTTGTGTTGAAGAAGTTACAACAACTCTGGAAGAAACTAAGTT
以及人類COVID-19的RNA核苷酸序列的一小段：
AAAATTAAGGCTTGCATTGATGAGGTTACCACAACACTGGAAGAAACTAAGTT
顯然，冠狀病毒已改變其內(nèi)部結(jié)構(gòu)以適應(yīng)其宿主的新物種（更精確地說，冠狀病毒內(nèi)部結(jié)構(gòu)的約20％發(fā)生了突變），但仍保持了足夠的能力，以至于它仍然正確起源物種。
實際上，研究表明COVID-19已經(jīng)以提高其存活率的方式反復(fù)變異。在抗擊冠狀病毒的斗爭中，我們不僅需要找到如何消滅病毒的方法，還需要找到病毒如何突變以及如何解決這些突變的方法。
在本文中，我將：
提供什么是RNA核苷酸序列的表面解釋；使用K-Means創(chuàng)建基因組信息集群；使用PCA可視化集群。并從我們執(zhí)行的每個分析程序中獲取見解。
什么是基因組序列？如果你對RNA核苷酸序列有基本的了解，請?zhí)^此部分。
通常與“解碼”相比，基因組測序是分析從樣品中提取的脫氧核糖核酸（DNA）的過程。在每個正常細(xì)胞內(nèi)有23對染色體，這些染色體容納著DNA。
DNA的卷曲雙螺旋結(jié)構(gòu)使其可以展開為梯形。該梯子由成對的化學(xué)字母（稱為堿基）制成。DNA中只有四種：腺嘌呤，胸腺嘧啶，鳥嘌呤和胞嘧啶。腺嘌呤僅與胸腺嘧啶結(jié)合，而鳥嘌呤僅與胞嘧啶結(jié)合。這些基數(shù)分別用A，T，G和C表示。
這些基礎(chǔ)構(gòu)成了指示生物體如何構(gòu)建蛋白質(zhì)的各種代碼-實際上是DNA控制病毒行為的DNA。
DNA從RNA轉(zhuǎn)化為蛋白質(zhì)的過程
使用包括測序儀器和專用標(biāo)簽的專用設(shè)備，可以揭示特定片段的DNA序列。從中獲得的信息將進(jìn)行進(jìn)一步的分析和比較，以使研究人員能夠識別基因的變化，與疾病和表型的關(guān)聯(lián)以及識別潛在的藥物靶標(biāo)。
基因組序列是一串長長的“ A”，“ T”，“ G”和“ C”，代表生物體對其環(huán)境的反應(yīng)。通過改變DNA可以產(chǎn)生對生物的突變。查看基因組序列是分析冠狀病毒突變的有力方法。
了解數(shù)據(jù)這些數(shù)據(jù)，可以在Kaggle找到這里，看起來是這樣的：
每行代表蝙蝠病毒的一種突變。首先，只需花一分鐘就可以欣賞大自然的不可思議性-在數(shù)周之內(nèi)，冠狀病毒已經(jīng)產(chǎn)生了262種自身突變，以提高存活率。
一些重要的列：
query acc.ver 代表原始病毒標(biāo)識符。subject acc.ver 是病毒突變的標(biāo)識符。% identity 代表序列與原始病毒相同的百分比。alignment length 表示序列中多少個相同或?qū)R。mismatches 代表突變和原始變異的項目數(shù)。bit score表示衡量對齊程度的度量；分?jǐn)?shù)越高，對齊越好。每個列的一些統(tǒng)計度量（可以使用方便地在Python中調(diào)用data.describe()）：
查看% identity專欄，有趣的是，突變與原始病毒的最小比對百分比-大約為77.6％。的7％的較大標(biāo)準(zhǔn)偏差% identity表示存在廣泛的突變。這有一個巨大的標(biāo)準(zhǔn)偏差支持bit score-標(biāo)準(zhǔn)偏差大于平均值！
可視化數(shù)據(jù)的一種好方法是通過關(guān)聯(lián)熱圖。每個單元代表一個特征與另一個特征之間的關(guān)聯(lián)程度。
許多數(shù)據(jù)彼此高度相關(guān)。這是有道理的，因為大多數(shù)措施都是彼此不同的。要注意if alignment length與高度相關(guān)的一件事bit score。
使用K均值創(chuàng)建突變聚類K-Means是用于聚類的算法，這是機器學(xué)習(xí)中在特征空間中查找數(shù)據(jù)點組的一種方法。我們的K均值的目標(biāo)是找到突變簇，因此我們可以得出有關(guān)突變性質(zhì)以及如何解決突變的見解。
但是，我們?nèi)匀恍枰x擇簇數(shù)k。盡管這就像在二維中繪制點一樣簡單，但在更高的維度中則無法實現(xiàn)（如果我們想保留最多的信息）。像肘法這樣選擇k的方法是主觀且不準(zhǔn)確的，因此，我們將使用輪廓法。
輪廓法是對k個聚類給出的聚類對數(shù)據(jù)適應(yīng)程度的評分。sklearnPython中的庫使實現(xiàn)K-Means和silouhette方法非常簡單。
似乎5個集群對數(shù)據(jù)來說是最好的?，F(xiàn)在，我們可以確定簇中心。這些是每個簇圍繞的點，代表了（在本例中）5種主要突變類型的數(shù)值評估。
注意：已對功能進(jìn)行了標(biāo)準(zhǔn)化，以使它們?nèi)烤哂邢嗤谋壤?。否則，列將不可比較
此熱圖按列表示每個群集的屬性。因為這些點是按比例縮放的，所以實際的注釋值在數(shù)量上并不意味著什么。但是，可以比較每列中的縮放值。你可以從視覺上感覺到每一個變異簇的相對屬性是。如果科學(xué)家要開發(fā)一種疫苗，它應(yīng)該解決這些主要的病毒群。
接下來，我們將使用PCA可視化集群。
用于集群可視化的PCAPCA是一種降維方法。它選擇多維空間中的正交向量來表示軸，這樣就保留了大部分信息（方差）。
使用流行的Python庫sklearn，可以用兩行代碼實現(xiàn)PCA。首先，我們可以檢查解釋的方差比。這是從原始數(shù)據(jù)集中保留的統(tǒng)計信息的百分比。在這種情況下，解釋的方差比是0.9838548580740327，這是天文高度！我們可以確信，我們從主成分分析中得到的任何分析都將是真實的數(shù)據(jù)。
每個新特征（主成分）都是幾個其他列的線性組合。我們可以用熱圖直觀地看到一個列對兩個主要組件之一有多重要。
重要的是要理解在第一個組件中具有高值意味著什么——在這種情況下，其特征是具有更高的對齊長度（更接近原始病毒），而組件2的特征主要是具有更短的對齊長度（更遠(yuǎn)離原始值突變）。這也反映在比特分?jǐn)?shù)的較大差異上。
很明顯病毒突變有5條主線，我們可以了解到更多。
四個病毒突變在第一主成分的左側(cè)，一個在右側(cè)。第一主分量的簽名是高對齊長度，這意味著第一主成分的較高值意味著較高的對齊長度（更接近原始病毒）。因此，組分1的較低值與原始病毒的遺傳距離較遠(yuǎn)，大多數(shù)病毒簇與原始病毒有很大不同。因此，試圖制造疫苗的科學(xué)家應(yīng)該意識到這種病毒變異很大。
結(jié)論利用K-Means和PCA，能夠識別冠狀病毒的五個主要突變簇。研制冠狀病毒疫苗的科學(xué)家可以利用這些簇中心來獲得關(guān)于每個簇特征的知識。通過主成分分析，我們可以在兩個維度上看到這些簇，并且發(fā)現(xiàn)冠狀病毒具有非常高的突變率，這可能是它如此致命的原因。
--END--
翻譯：未艾信息（www.weainfo.net）
查看更多最新資訊，歡迎大家點擊閱讀原文登錄我們的AI社區(qū)。
以及關(guān)注我們的公眾號：為AI吶喊（weainahan）
