I. 模拟数据的生成：

为了更清晰地展现分析结果，病毒感染后临床症状采用常用的case-control模式，分别模拟重度和轻度患者。考虑到有个别临床表型数据（如年龄）跟感染后症状高度相关，我们设置了2个强相关特征，此外，还设置了20个不同程度的线性相关特征，3个非线性相关特征，和20个噪音不相关特征。一共设立了45个特征数据。感染患者样本分成三类，分别用不同的随机种子数生成：包括500个训练(training)样本，300个验证(validation)样本，和300个独立验证(independent test)样本。

考虑到实际可能会存在部分数据缺失，在模拟数据中引进了少量缺失数据（表示为NA），并在分析的时候通过imputation的方法补缺。

II. 人工智能分析过程和结果：

我们分别采用了两种方法进行分析。

（一）  选择四种常用机器学习方法：rf（随机森林），SVM（支持向量机），K个最近邻居（KNN），glmnet，并采用greedy ensemble方法对其进行整合，对训练样本进行特征提取，优化参数，通过验证样本选择最优特征和模型，并通过独立样本检验得到最终预测结果。

a)     对特征进行相关性排序，结果见图1，可以看到

  (a)                                                                               (b)

图1  (a) 基于glmnet算法的特征重要性排序，两种强相关特征和线性相关特征排在前面; (b) glmnet和rf两种不同算法得到的重要性排序高度相关，揭示结果的稳定性

     b)     将特征按重要性排序，分组，用4种不同算法建模，最后采用greedy ensemble方法整合4种模型。对验证组样本的预测结果见图2。由图2可以得出结论，经过4种算法集成后的ensemble算法在25个特征的组合得到了最优模型。这个结论基本符合我们模拟生成的特征：2个强相关，20个线性相关，3个非线性相关。

                                                    (a)                                                                                  (b)

图2  验证组样本不同特征组合的预测表现：(a) auROC; (b) Accuracy