汉坦病毒是一种通过啮齿动物传播的病原体，可引起严重的呼吸道疾病，对其基因组的有效监测对于疫情预防和控制至关重要。然而，传统的基因组监测面临数据分布分散、不同来源异质性以及专家评审能力有限等挑战。为了解决这些问题，研究人员在2026年6月25日提交至arXiv的论文中提出了HantaWatch框架（编号：2607.16234），这是一种基于联邦学习的决策支持系统，能够在不共享原始序列数据的前提下，实现多个实验室和监测站点之间的协同模型训练。
HantaWatch整合了多种关键技术。首先，它采用k-mer特征提取方法将基因组序列转换为可供机器学习模型处理的数值特征。其次，通过源感知联邦客户端构建策略，确保不同数据来源的异质性得到合理处理。为了防止模型更新过程中的不稳定性，框架引入了自适应DU-FedProx优化算法，在保持模型性能的同时降低通信开销。此外，HantaWatch还针对监测任务设计了专门的模型选择机制，并采用仅预测的分诊流程，将模型输出转化为风险评分、置信度估计、不确定性标志以及专家评审优先级列表。
在实验评估中，HantaWatch在二分类和多分类任务上均表现出色。它能够支持高风险筛查、疫情相关预测、病毒进化支分类以及临床综合征分类等多项任务，并在预测性能、假阴性风险和更新稳定性之间取得了良好平衡。该框架由Shanika Iroshi Nanayakkara和Shiva Raj Pokhrel共同开发，其研究属于机器学习（cs.LG）和人工智能（cs.AI）领域。值得注意的是，HantaWatch并不旨在取代实验室检测或公共卫生解读，而是为专家提供辅助决策支持，帮助他们更高效地优先处理高风险样本。这项研究为实现去中心化的汉坦病毒基因组监测提供了一种实用的联邦学习解决方案，有望在未来提升全球公共卫生应对能力。