Georgetown Üniversitesi’nde biyolog olan Colin Carlson, fare çiçeği hakkında endişelenmeye başladı.
1930’da keşfedilen virüs, fareler arasında yayılarak onları öldürüyor. acımasız verimlilik. Ancak bilim adamları bunu hiçbir zaman insanlar için potansiyel bir tehdit olarak görmediler. Şimdi Dr. Carlson, meslektaşları ve bilgisayarları o kadar emin değil.
Makine öğrenimi olarak bilinen bir teknik kullanan araştırmacılar, son birkaç yılı bilgisayarları insan hücrelerine bulaşabilecek virüsleri kendilerine öğretmek için programlamakla geçirdiler. Bilgisayarlar, bu virüslerin hayvan konaklarının biyolojisi ve ekolojisi ile virüslerin genomları ve diğer özellikleri hakkında çok büyük miktarda bilgiyi taradı. Zamanla bilgisayarlar, bir virüsün insanlara yayılma potansiyeline sahip olup olmadığını tahmin edebilecek belirli faktörleri tanımaya başladı.
Bilgisayarlar, bilim adamlarının zaten yoğun bir şekilde üzerinde çalıştığı virüsler üzerindeki azimlerini kanıtladıktan sonra, Dr. Carlson ve meslektaşları onları bilinmeyene yerleştirdiler ve nihayetinde tür bariyerini atlayıp insan salgınlarına neden olma potansiyeline sahip kısa bir hayvan virüsleri listesi oluşturdular.
Son çalışmalarda, algoritmalar beklenmedik bir şekilde fare çiçeği virüsünü riskli patojenlerin en üst sıralarına yerleştirdi.
Dr. Carlson, “Bu modeli her çalıştırdığımızda, süper yüksek çıkıyor” dedi.
Şaşkın, Dr. Carlson ve meslektaşları bilimsel literatürde kök saldılar. Uzun zamandır unutulmuş bir belgeye rastladılar salgın 1987’de kırsal Çin’de. Okul çocukları boğaz ağrısına ve ellerinde ve ayaklarında iltihaba neden olan bir enfeksiyonla geldiler.
Yıllar sonra, bir bilim insanı ekibi, salgın sırasında toplanan ve depoya konan boğaz sürüntüleri üzerinde testler yaptı. Grubun 2012’de bildirdiği gibi bu örnekler, fare çiçeği DNA’sı içeriyordu. Ancak çalışmaları çok az dikkat çekti ve on yıl sonra fare çiçeği hala insanlar için bir tehdit olarak kabul edilmiyor.
Dr. Carlson ve meslektaşları tarafından programlanan bilgisayar doğruysa, virüs yeni bir görünümü hak ediyor.
“Bunun, halk sağlığının gözden geçirmesi gereken çok sayıda şey arasında kaybolması çılgınca” dedi. “Bu aslında bu virüs hakkında düşünme şeklimizi değiştiriyor.”
Bilim adamları, bir hayvan virüsü tür bariyerini atladığında ortaya çıkan yaklaşık 250 insan hastalığı tespit etti. Örneğin HIV şempanzelerden sıçradı ve yeni koronavirüs yarasalardan kaynaklandı.
İdeal olarak, bilim adamları bir sonraki yayılma virüsünü insanları enfekte etmeye başlamadan önce tanımak isterler. Ancak virologların inceleyemeyeceği çok fazla hayvan virüsü var. Bilim adamları memelilerde 1000’den fazla virüs tespit ettiler, ancak bu büyük olasılıkla gerçek sayının çok küçük bir kısmı. Bazı araştırmacılar memelilerin taşıdığından şüpheleniyor. onbinlerce virüslerin sayısı, diğerleri ise sayıyı yüz binlerce.
Potansiyel yeni yayılmaları belirlemek için Dr. Carlson gibi araştırmacılar, bilimsel verilerdeki gizli kalıpları tespit etmek için bilgisayarları kullanıyor. Makineler, örneğin bir insan hastalığına yol açması özellikle muhtemel olan virüslere odaklanabilir ve ayrıca hangi hayvanların, henüz bilmediğimiz tehlikeli virüsleri barındırma olasılığının en yüksek olduğunu tahmin edebilir.
Millbrook, NY’deki Cary Ekosistem Araştırmaları Enstitüsü’nde bir hastalık ekoloğu olan ve Dr. Carlson ile işbirliği yapan Barbara Han, “Yeni bir çift gözünüz varmış gibi hissettiriyor” dedi. “Modelin görebildiği kadar çok boyutta göremezsiniz.”
Dr. Han, makine öğrenimi ile ilk kez 2010 yılında tanıştı. Bilgisayar bilimcileri bu tekniği on yıllardır geliştiriyor ve onunla güçlü araçlar oluşturmaya başlıyorlardı. Bu günlerde makine öğrenimi, bilgisayarların sahte kredi ücretlerini tespit etmesine ve insanların yüzlerini tanımasına olanak tanıyor.
Ancak çok az araştırmacı makine öğrenimini hastalıklara uygulamıştı. Dr. Han, kemirgen türlerinin neden yüzde 10’dan daha azının insanları enfekte ettiği bilinen patojenleri barındırdığı gibi açık soruları yanıtlamak için kullanıp kullanamayacağını merak etti.
Çevrimiçi bir veri tabanından çeşitli kemirgen türleri hakkında bir bilgisayara bilgi verdi – sütten kesilme yaşlarından nüfus yoğunluklarına kadar her şey. Bilgisayar daha sonra çok sayıda türe sıçrayan patojen barındırdığı bilinen kemirgenlerin özelliklerini aradı.
Bilgisayar bir model oluşturduğunda, hangilerinin hastalığa neden olan maddelerle dolu olduğunu ne kadar iyi tahmin edebildiğini görmek için başka bir kemirgen türü grubuna karşı test etti. Sonunda, bilgisayarın modeli bir doğruluk değerine ulaştı. yüzde 90.
Daha sonra Dr. Han, yayılma patojenleri için henüz incelenmemiş kemirgenlere döndü ve yüksek öncelikli türlerin bir listesini bir araya getirdi. Dr. Han ve meslektaşları, batı Kuzey Amerika’nın dağ faresi ve Kuzey çekirge faresi gibi türlerin özellikle endişe verici patojenler taşıma olasılığının yüksek olduğunu tahmin ettiler.
Dr. Han ve meslektaşlarının bilgisayarlarına sağladığı tüm özelliklerden en önemlisi kemirgenlerin yaşam süresiydi. Genç ölen türlerin daha fazla patojen taşıdığı ortaya çıkıyor, belki de evrim, kaynaklarını güçlü bir bağışıklık sistemi oluşturmaktan çok üremeye ayırdığı için.
Bu sonuçlar, Dr. Han ve meslektaşlarının ekolojik veri tabanlarını ve faydalı verileri arayan bilimsel çalışmaları taradığı, yıllarca süren özenli araştırmaları içeriyordu. Daha yakın zamanlarda, araştırmacılar, bilgisayarlara virüsler ve ana bilgisayarları hakkında bilgi vermek için açıkça tasarlanmış veritabanları oluşturarak bu çalışmayı hızlandırdılar.
Örneğin Mart ayında Dr. Carlson ve meslektaşları açık 9.521 virüs ve bunların 3.692 hayvan konakçısı hakkında yarım milyon parça bilgi toplayan ve büyümeye devam eden VIRION adlı açık erişimli bir veritabanı.
VIRION gibi veritabanları artık yeni pandemiler hakkında daha odaklı sorular sormayı mümkün kılıyor. Covid pandemisi vurduğunda, kısa süre sonra buna SARS-CoV-2 adlı yeni bir virüsün neden olduğu anlaşıldı. Dr. Carlson, Dr. Han ve meslektaşları, yeni koronavirüsün akrabalarını barındırma olasılığı en yüksek olan hayvanları belirlemek için programlar oluşturdular.
SARS-CoV-2, insanlar arasında SARS ve MERS salgınlarına neden olan virüsleri de içeren betakoronavirüs adı verilen bir tür grubuna aittir. Çoğunlukla, betakoronavirüsler yarasaları enfekte eder. Ocak 2020’de SARS-CoV-2 keşfedildiğinde, 79 tür yarasanın bunları taşıdığı biliniyordu.
Ancak bilim adamları, betakoronavirüsler için 1.447 yarasa türünün tamamını sistematik olarak araştırmadılar ve böyle bir projenin tamamlanması uzun yıllar alacaktı.
Dr. Carlson, Dr. Han ve meslektaşları, çeşitli yarasa türleri (diyetleri, kanatlarının uzunluğu vb.) hakkında biyolojik verileri bilgisayarlarına besleyerek, büyük olasılıkla yarasalar hakkında tahminler sunabilecek bir model oluşturdular. betakoronavirüsleri barındırmak için. Tasarıya uyan 300’den fazla tür buldular.
2020’deki bu tahminden bu yana, araştırmacılar gerçekten de 47 yarasa türünde betakoronavirüs buldular – bunların tümü, çalışmaları için oluşturdukları bazı bilgisayar modellerinin ürettiği tahmin listelerinde yer aldı.
Oklahoma Üniversitesi’nde hastalık ekoloğu olan Daniel Becker, betakoronavirüs çalışması, vücut büyüklüğü gibi basit özelliklerin virüsler hakkında güçlü tahminlere yol açabilmesinin çarpıcı olduğunu söyledi. “Çoğu, karşılaştırmalı biyolojinin düşük asılı meyvesidir” dedi.
Dr. Becker şimdi kendi arka bahçesinden potansiyel betakoronavirüs konakları listesini takip ediyor. Oklahoma’daki bazı yarasaların onları barındırdığı tahmin ediliyor.
Dr. Becker arka bahçede bir betakoronavirüs bulursa, bunun insanlar için yakın bir tehdit olduğunu hemen söyleyecek durumda olmayacak. Bilim adamları, riski değerlendirmek için önce özenli deneyler yapmak zorunda kalacaklardı.
Davis’teki California Üniversitesi’nde epidemiyolog olan Pranav Pandit, bu modellerin devam eden bir çalışma olduğu konusunda uyarıyor. İyi çalışılmış virüsler üzerinde test edildiklerinde, rastgele şanstan önemli ölçüde daha iyi sonuç verirler, ancak daha iyisini yapabilirler.
“Bu sonuçları alıp dünyaya ‘Bu bir zoonotik virüs’ demeye başlamak için bir uyarı oluşturabileceğimiz bir aşamada değil” dedi.
Glasgow Üniversitesi’nde hesaplamalı bir virolog olan Nardus Mollentze ve meslektaşları, modellerin doğruluğunu önemli ölçüde artırabilecek bir yönteme öncülük ettiler. Modelleri bir virüsün konakçılarına bakmak yerine genlerine bakar. Bir bilgisayara, insanları enfekte edebilen virüslerin genlerindeki ince özellikleri tanıması öğretilebilir.
onların içinde ilk rapor Bu teknik üzerinde, Dr. Mollentze ve meslektaşları, zamanın yüzde 70’inden fazlasında insanları enfekte eden virüsleri doğru bir şekilde tanıyabilen bir model geliştirdiler. Dr. Mollentze, gen temelli modelinin neden işe yaradığını henüz açıklayamıyor, ancak bazı fikirleri var. Hücrelerimiz yabancı genleri tanıyabilir ve bağışıklık sistemine alarm gönderebilir. Hücrelerimizi enfekte edebilen virüsler, bir tür viral kamuflaj olarak kendi DNA’mızı taklit etme yeteneğine sahip olabilir.
Modeli hayvan virüslerine uyguladıklarında, yayılma riski yüksek 272 türün bir listesini çıkardılar. Bu, virologların derinlemesine incelemesi için çok fazla.
Hamilton, Mont.’daki Rocky Mountain Laboratories’de yeni koronavirüs, grip ve diğer virüslerle ilgili araştırmaları denetleyen bir virolog olan Emmie de Wit, “Sadece bu kadar çok virüs üzerinde çalışabilirsiniz” dedi. “Bizim tarafımızda, gerçekten daraltmamız gerekecek.”
Dr. Mollentze, kendisinin ve meslektaşlarının, hayvan virüsleri arasında en kötünün en kötüsünü saptamanın bir yolunu bulmaları gerektiğini kabul etti. “Bu sadece bir başlangıç,” dedi.
İlk çalışmasını takip etmek için Dr. Mollentze, virüslerin genleri hakkındaki verileri, konakçılarının biyolojisi ve ekolojisine ilişkin verilerle birleştirmek için Dr. Carlson ve meslektaşlarıyla birlikte çalışıyor. Araştırmacılar, heyecan verici fare çiçeği kurşunu da dahil olmak üzere bu yaklaşımdan bazı umut verici sonuçlar alıyorlar.
Diğer veri türleri, tahminleri daha da iyi hale getirebilir. Örneğin bir virüsün en önemli özelliklerinden biri, yüzeyinde şeker moleküllerinin kaplanmasıdır. Farklı virüsler, farklı şeker molekülü kalıplarıyla sonuçlanır ve bu düzenlemenin başarıları üzerinde büyük bir etkisi olabilir. Bazı virüsler, bu moleküler donmayı, konakçılarının bağışıklık sisteminden saklanmak için kullanabilir. Diğer durumlarda, virüs şeker moleküllerini yeni hücrelere tutunmak için kullanabilir ve yeni bir enfeksiyonu tetikleyebilir.
Bu ay, Dr. Carlson ve meslektaşları, makine öğreniminin virüslerin ve konaklarının şeker kaplamasından çok fazla içgörü kazanabileceğini iddia eden çevrimiçi bir yorum yayınladı. Bilim adamları zaten bu bilginin çoğunu topladılar, ancak henüz bilgisayarların öğrenebileceği bir forma konmadı.
Dr. Carlson, “İçgüdülerime göre düşündüğümüzden çok daha fazlasını biliyoruz” dedi.
Dr. de Wit, makine öğrenimi modellerinin bir gün kendisi gibi virologlara belirli hayvan virüslerini inceleme konusunda rehberlik edebileceğini söyledi. “Bundan kesinlikle büyük bir fayda gelecek” dedi.
Ancak şu ana kadar modellerin esas olarak bir patojenin insan hücrelerini enfekte etme potansiyeline odaklandığını kaydetti. Yeni bir insan hastalığına neden olmadan önce, bir virüsün bir kişiden diğerine yayılması ve yol boyunca ciddi semptomlara neden olması gerekir. Bu tahminleri de yapabilen yeni nesil makine öğrenimi modellerini bekliyor.
“Gerçekten bilmek istediğimiz şey, hangi virüslerin insanları enfekte edebileceği değil, hangi virüslerin salgına neden olabileceğidir” dedi. “Yani bu gerçekten anlamamız gereken bir sonraki adım.”
Kaynak : https://www.nytimes.com/2022/04/27/science/pandemic-viruses-machine-learning.html