Eνα «μυστικό όπλο» για την αποτροπή της επόμενης πανδημίας

.

Η πανδημία Covid-19υπογράμμισε τη σημασία της στενής παρακολούθησης ιών που μπορούν να μολύνουν ανθρώπους- και στα πρώιμα στάδια της πανδημίας ο Τιμοτέ Πουασό και οι συνάδελφοί του ήδη ανέπτυσσαν έναν αλγόριθμο για προβλέψεις αλληλεπιδράσεων μεταξύ ιών και θηλαστικών.

«Εργαζόμασταν στο project αυτό από τους πρώτους μήνες του 2020, πριν “απογειωθεί” η πανδημία», είπε ο Πουασό, καθηγητής στο Τμήμα Βιολογικών Επιστημών στο Universite de Montreal

και μέλος της VERENA (Viral Emergence Research Initiative), ινστιτούτο διεθνών ερευνών με έδρα στην Ουάσινγκτον. Τρία χρόνια αργότερα, ο Πουασό και συνάδελφοί του δημοσίευσαν τα αποτελέσματα χιλιάδων ωρών υπολογισμών και ελέγχων στο Patterns.

Ο Πουασό ανήκει σε μια ερευνητική ομάδα που προσβλέπει σε καλύτερες προβλέψεις όσον αφορά στις αλληλεπιδράσεις μεταξύ ιών και θηλαστικών γενικότερα. Όταν πληρούνται συγκεκριμένες προϋποθέσεις, το πέρασμα των ιών από ένα είδος στο άλλο μπορεί εν τέλει να οδηγήσει στην εμφάνιση μιας ζωονόσου (μολυσματική ασθένεια που έχει περάσει από ζώο στον άνθρωπο).

Σύμφωνα με τον Πουασό, «το βασικό πρόβλημα είναι πως γνωρίζουμε μόνο για το 1%-2% των αλληλεπιδράσεων μεταξύ ιών και θηλαστικών. Τα δίκτυα είναι διασκορπισμένα και υπάρχουν λίγες αλληλεπιδράσεις, που συγκεντρώνονται σε λίγα μόνο είδη».

Η λήψη δειγμάτων για όλες τις αλληλεπιδράσεις χειροκίνητα θα ήταν πολύ δύσκολο εγχείρημα, δεδομένου ότι υπάρχουν χιλιάδες είδη θηλαστικών και ακόμα περισσότερα είδη χιών- οδηγώντας σε σχεδόν άπειρους συνδυασμούς θηλαστικών- ιών. Ως εκ τούτου, οι ερευνητές επιδιώκουν την ανάπτυξη ενός νέου αλγορίθμου μέσω machine learning (μηχανικής μάθησης), ως τρόπο δημιουργίας υποθέσεων που μετά θα βοηθούν στην ταυτοποίηση των αλληλεπιδράσεων ιού- ξενιστή που χρήζουν περαιτέρω διερεύνησης.

«Θέλουμε να ξέρουμε ποιο είδος ιού είναι πιθανόν να μολύνει ποιο είδος θηλαστικού, ώστε να μπορούμε ποιες αλληλεπιδράσεις είναι πιο πιθανόν να λάβουν χώρα» είπε ο Πουασό. «Κάποια από τα data sets που είχαμε ήταν παλαιότερα, περιείχαν μη επικαιροποιημένα ονόματα για συγκεκριμένα είδη, ή είχαν λάθη επειδή τα δεδομένα είχαν περαστεί με το χέρι».

Το πρώτο μέρος της δουλειάς ήταν να «καθαριστούν» και να ταξινομηθούν τα δεδομένα. Ακολούθησε η δημιουργία του αλγορίθμου και μετά χρειαζόταν η βελτίωσή του. «Ένα από τα πλεονεκτήματα του αλγορίθμου μας είναι πως δεν χρειάζεσαι πολλές πληροφορίες για να τον χρησιμοποιήσεις».

Η χρήση υπαρχόντων μοντέλων για προβλέψεις απαιτεί πολλές πληροφορίες για μεγάλο εύρος θεμάτων. Ο αλγόριθμος αναπαριστά το όλο σύστημα ως ένα δίκτυο αλληλεπιδράσεων μεταξύ ιών και θηλαστικών το οποίο ο ίδιος πρέπει να ολοκληρώσει. «Ο αλγόριθμος παίρνει το δίκτυο που ήδη γνωρίζουμε και το προβάλλει σε έναν νέο χώρο, λίγο σαν θέατρο σκιών: Ρίχνει φως σε αλληλεπιδράσεις με νέο τρόπο...αυτό με τη σειρά του μας επιτρέπει να κάνουμε προβλέψεις».

Ακόμα και έτσι, οι προβλέψεις αυτές απαιτούσαν 10.000 ώρες υπολογιστικής εργασίας από ηλεκτρονικούς υπολογιστές. Αντιστοιχίζοντας τα αποτελέσματα με γνωστές αλληλεπιδράσεις, το μοντέλο βρήκε 80.000 νέες πιθανές αλληλεπιδράσεις μεταξύ ιών και ξενιστών.

«Μετά από αυτό η κύρια δουλειά ήταν να διαπιστώσουμε το επίπεδο βεβαιότητας που είχαμε για την ικανότητα του μοντέλου να κάνει προβλέψεις» είπε ο Πουασό.

Οι ερευνητές επέλεξαν 20 ιούς- «κλειδιά», άξιους παρακολούθησης, εφόσον είχαν τη δυνατότητα να υπερβούν το «χάσμα» των ειδών και να μολύνουν ανθρώπους. Η ομάδα επίσης εντόπισε «θερμές» ζώνες όπου θα έπρεπε να εστιαστούν πόροι: «Είχαμε πολλές συζητήσεις στην ομάδα, επειδή στην αρχή κάποια από τα αποτελέσματα μας φαίνονταν περίεργα» είπε ο Πουασό.

Ένα από τα πιο σημαντικά αποτελέσματα της έρευνας αυτής είναι η εκ νέου ανακάλυψη συγκεκριμένων ζωονοτικών ιών που ήδη αποτελούσαν αντικείμενα διαφόρων, διάσπαρτων ερευνών, μα δεν είχαν συνδεθεί ποτέ σε βάσεις δεδομένων. Άλλη μία καινοτόμα διάσταση της έρευνας ήταν η χαρτογράφηση των αποτελεσμάτων για την καλύτερη κατανόηση των αλληλεπιδράσεων ιών- θηλαστικών σε παγκόσμια κλίμακα.

Η ομάδα βρήκε δύο γεωγραφικές περιοχές που χρήζουν διερεύνησης: Η μία είναι η λεκάνη του Αμαζονίου στη Νότια Αμερική και η δεύτερη είναι η Κεντρική Αφρική. Στις δύο αυτές περιοχές θα έπρεπε να εστιαστεί το ενδιαφέρον των ιολόγων που επιθυμούν να κατανοήσουν τον τρόπο που λειτουργούν τα συστήματα ιού- ξενιστή, καθώς και του ζωονοτικού κινδύνου που αποτελούν για τους ανθρώπους.

ΠΡΙΝ ΦΥΓΕΤΕ...Αληθοφανείς αλληλεπιδράσεις μεταξύ «ανθρώπων» τεχνητής νοημοσύνης σε εικονικό κόσμοΤεχνητή νοημοσύνη: Μην περιμένετε πως το ChatGPΤ θα είναι πάντα «λογικό», λένε ερευνητέςTruthGPT: Και ο Έλον Μασκ στην «κούρσα» της τεχνητής νοημοσύνης
Keywords
Τυχαία Θέματα
Eνα,Ena