Illuminating the Virosphere’s Dark Matter using Hierarchical Deep Learning
Notice bibliographique
Résumé
Abstract Systematic discovery of novel viruses is essential for pandemic preparedness, understanding tumor-associated viruses, developing viral delivery systems, and advancing biomedical applications. Yet, the majority of sequences in metagenomic datasets lack close relatives in existing references, representing a vast viral “dark matter” whose biology and evolution remain largely unknown. The central task is threefold: 1) to determine whether a genome is viral or non-viral, 2) to correctly assign viral genomes to known lineages when possible, and, critically, 3) to recognize when no existing lineage applies and thereby identify candidates for entirely novel viral groups. Existing approaches, which depend on sequence homology or narrow markers, struggle to capture this uncharted viral space. Here we present DeepVirus , a hierarchical transformer-based framework that models viral genomes as structured sequences of protein-coding genes. By combining protein-level embeddings from a foundation model with genome-aware representations, DeepVirus not only achieves accurate classification across deep taxonomic hierarchies, but also extends beyond conventional classification to detect and organize candidate novel viral lineages through open-set recognition. Applied to large-scale metagenomic resources, DeepVirus uncovered extensive viral diversity, including previously uncharacterized RNA-dependent RNA polymerases (RdRps), thereby expanding the known evolutionary space of RNA viruses. DeepVirus integrates deep learning with genome-aware open-set discovery to illuminate viral dark matter, providing a foundation for systematic viral taxonomy and advancing exploration of the global virosphere, with broad implications for safeguarding human health.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».