近年来，将高通量技术纳入生物学领域已经产生了大量的生物学数据。如何将这些海量数据转化为知识是计算生物学的重要挑战。 传统的数据分析方法已无法完成任务。 因此，研究人员正在转向基于机器学习的方法来分析高维大数据。 在机器学习中，一旦使用训练数据集训练模型，就可以将其应用于独立的测试数据集。 当前，深度学习算法进一步推动了机器学习在包括植物病理学在内的多个生物学领域的应用。

　　由于对作物和蔬菜的破坏性影响，植物病害正在成为全球粮食安全的主要威胁之一。 新病毒株和新物种的出现有助于病毒逃避已有的防治方法。 根据 2014 年进行的一份报告显示，预计植物病害每年会导致全球产量损失超过300亿美元。为了设计有效、持久和广谱的防治方案，了解病毒发病机制的机制细节非常重要。机器学习的应用可以在早期阶段对植物病毒病进行精确诊断。此外，几个机器学习引导的生物信息学平台的发展促使植物病毒学家更好地了解宿主-病毒的相互作用。此外，机器学习在破译植物病毒进化和出现的模式以及开发可行的防控方案方面具有巨大的潜力。

　　这篇综述重点介绍了机器学习技术，并全面讨论了机器学习在病毒病诊断、理解宿主病毒相互作用和植物病害发生方面的应用前景。机器学习通过分析高光谱图像，可以在田间对植物病毒病进行早期诊断。患病植物样本的宏基因组学研究有助于识别相关和不相关的病毒基因组。 机器学习可以帮助对这些病毒序列进行分类，从而激发我们对病毒进化的理解。此外，已经开发了机器学习辅助生物信息学工具来识别 RNA 沉默 (VSR) 的病毒抑制因子。机器学习还可以指导我们预测病毒蛋白的亚细胞定位甚至结构。预测病毒编码蛋白的准确结构可能有助于识别这些效应蛋白的抑制剂。为了了解宿主的反应，几个小组对病毒感染的植物进行了转录组、蛋白质组和代谢组研究。机器学习可以对这些高通量数据进行准确和快速的分析，以识别基因调控网络 (GRN) 和宿主病毒相互作用中涉及的新宿主因素。在亚细胞定位和结构预测方面对这些宿主因子的表征将促进对植物病毒发病机制的理解。 机器学习还可以帮助植物病毒学家进行基因组选择，以识别优良的抗病毒品种。

　　来源：Ghosh, D., Chakraborty, S., Kodamana, H., & Chakraborty, S. (2021). Application of Machine Learning in understanding plant virus pathogenesis: Trends and perspectives on emergence, diagnosis, host-virus interplay and management. arXiv preprint arXiv:2112.01998.

　　编辑：婷婷