چکیده: چکیده جهش‌های‌ سریع ویروس SARS-CoV-2 نیازمند یک طبقه‌بندی دقیق و کارآمد از گونه‌ها است تا بتوان به موقع به پاسخ‌های‌ بهداشتی عمومی پرداخت. با توجه به گسترش و شیوع این ویروس، شناسایی و ردیابی سویه‌ها برای ارزیابی تأثیرات آن‌ها بر انتقال بیماری، کارایی واکسن‌ها و استراتژی‌های‌ درمانی بسیار حیاتی است. در این مطالعه، یک چارچوب پیشرفته از یادگیری‌فدرال (FL) پیشنهاد می‌شود که امکان طبقه‌بندی غیرمتمرکز سویه‌های‌ SARS-CoV-2 را فراهم می‌کند. این روش نیازی به اشتراک‌گذاری مستقیم داده‌ها بین مؤسسات ندارد و به‌وسیله تجزیه و تحلیل داده‌های‌ توزیع‌شده، اطمینان می‌دهد که مجموعه‌های‌ داده محلی در هر مرکز تحقیقاتی به صورت محرمانه باقی می‌مانند، در حالی که اطلاعات ارزشمندی برای آموزش مدل جهانی فراهم می‌شود. برای بهبود بیشتر دقت طبقه‌بندی و شناسایی سویه‌ها، در این چارچوب از شبکه‌های‌ عصبی گرافی استفاده می‌شود. این شبکه‌ها برای مدل‌سازی روابط پیچیده در داده‌های‌ توالی پروتئینی به‌ویژه توالی‌های‌ پروتئین اسپایک ویروس SARS-CoV-2، بسیار مؤثر هستند و می‌توانند الگوهای‌ پیچیده جهش‌ها را بهتر شبیه‌سازی کنند. به‌ویژه، با استفاده از گراف‌های‌ توالی پروتئین، این روش قادر است روابط بین جهش‌های‌ مختلف را شناسایی کند که در روش‌های‌ سنتی طبقه‌بندی نمی‌توان به راحتی آن‌ها را شبیه‌سازی کرد. همپوشانی داده‌ها، که بر اساس میزان اشتراک اطلاعات بین مراکز تحقیقاتی تنظیم می‌شود، نه تنها تنوع ژنومیک را حفظ می‌کند، بلکه به مدل GNN کمک می‌کند تا الگوهای‌ مشترک و وابستگی‌های‌ پنهان بین جهش‌ها را با دقت بیشتری استخراج کند. رویکرد پیشنهادی نه تنها قدرت پیش‌بینی مدل را به‌طور قابل‌توجهی افزایش می‌دهد، بلکه امنیت داده‌ها را حفظ می‌کند و یکپارچگی آن‌ها را در بین مراکز تحقیقاتی مختلف تأمین می‌کند. نتایج آزمایش‌های‌ ما نشان می‌دهند که این روش توانسته است با دقت 93.67 درصد، سویه‌های‌ SARS-CoV-2را طبقه‌بندی کند که عملکردی بسیار بالاتر از چندین روش یادگیری ماشین سنتی است. این چارچوب، با ادغام قابلیت‌های‌ یادگیری فدرال و قدرت مدل‌سازی شبکه‌های‌ گرافی عمیق، راهکاری نوآورانه برای تحلیل توالی‌های‌ ژنومی در محیط‌های‌ دادهای‌ توزیع‌شده فراهم می‌آورد. بهره‌گیری از این رویکرد نه تنها موجب ارتقاء دقت شناسایی سویه‌های‌ ویروسی شده، بلکه امکان نظارت مؤثر، تصمیم‌گیری سریع‌تر، و واکنش به‌موقع به تغییرات اپیدمیولوژیک را در مقیاس جهانی فراهم می‌سازد.