A novel Vector-Symbolic Architecture for graph encoding and its application to viral pangenome-based species classification
Notice bibliographique
Résumé
Viral species classification is crucial for understanding viral evolution, epidemiology, and developing effective diagnostics and treatments. Traditional methods often rely on sequence similarity, which can be challenging for rapidly evolving viruses. Pangenomes, offering a comprehensive representation of species' genomic diversity, provide a richer perspective, but their analysis often requires advanced computational methods. We investigate the use of Hyperdimensional Computing (HDC), also known as Vector-Symbolic Architecture (VSA), an emerging computing paradigm that relies on vectors in high-dimensional spaces to encode a multi-species viral pangenome.We develop a new method for encoding graph-structured viral pangenomes using high-dimensional vectors. Pangenomes are represented as weighted de Bruijn graphs constructed using sequences of consecutive k-mers from the genomes, while information about the genome species (their taxonomic label) is encoded as specific high-dimensional vectors (species hypervectors) that act as weights on the edges of the graph. The weighted de Bruijn graph representation is encoded into a single high-dimensional vector. We tested three classification strategies: a flat model at the species level, a flat model at the genus level, and a two-step hierarchical model.We applied our method to a pangenome comprising 542 viral species from NCBI GenBank. Our results reveal a complex relationship between model architecture and classification accuracy. The flat species-level model achieved the highest accuracy, correctly classifying 87.08% of test genomes. Counter-intuitively, simplifying the problem to the genus level or using a hard-routing hierarchical approach degraded performance, with accuracies dropping to 60.51% and 33.57% respectively. Rather than revealing an inherent flaw in hierarchical modeling, these outcomes highlight critical architectural limitations of our current routing strategy, reflecting the interaction between routing errors and downstream error propagation in multi-step models. The model's reconstruction rate proved to be a measure of model-internal coherence, rather than a direct predictor of correctness.This novel approach offers a promising new direction for viral classification, not only for its predictive power but its ability to reveal underlying challenges in genomic taxonomy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».