ابزار هوش مصنوعی نقاط داغ را برای ترکیدن ویروس ها پیش بینی می کند

یک ابزار جدید هوش مصنوعی می تواند با شناسایی گونه های جانوری که می توانند ویروس هایی را که قادر به آلوده کردن انسان هستند ، محدود یا حتی جلوگیری از همه گیر را به شما کمک کند.

ایجاد شده توسط محققان در دانشگاه ایالتی واشنگتن ، الگوی یادگیری ماشین ، ویژگی های میزبان و ژنتیک ویروسی را برای شناسایی مخازن بالقوه حیوانات و مناطق جغرافیایی که در آن شیوع جدید به احتمال زیاد ظاهر می شود ، تجزیه و تحلیل می کند. این مدل روی ارتوپوکس ویروس ها تمرکز دارد – که شامل ویروس هایی است که باعث الگوی بزرگ و mpox می شوند.

به تازگی ، محققان مطالعه کار خود را با استفاده از مدل در مجله منتشر کردند زیست شناسی ارتباطاتیافته های آنها می تواند به دانشمندان کمک کند تا تهدیدهای در حال ظهور زونوتیک را پیش بینی کنند و با سایر ویروس ها سازگار شوند.

استفانی سیفرت ، متخصص ظاهر ویروسی و انتقال گونه های متقاطع و دستیار در دانشکده بهداشت جهانی WSU ، که به مدیریت پروژه کمک می کند ، می گوید: “تقریباً سه چهارم ویروس های نوظهور که انسان را از حیوانات آلوده می کنند ، می گویند.” “اگر بتوانیم بهتر پیش بینی کنیم که کدام گونه ها بزرگترین خطر هستند ، می توانیم اقدامات پیشگیرانه ای را برای جلوگیری از همه گیر انجام دهیم.”

این مدل آسیای جنوب شرقی ، استوایی آفریقا و آمازون را به عنوان نقاط داغ بالقوه برای شیوع ارتوپوکس ویروس معرفی کرده است. این مناطق نه تنها غلظت بالایی از میزبان های بالقوه دارند بلکه با مناطقی که میزان واکسیناسیون الگوی بزرگ کم است ، همپوشانی دارند. در حالی که واکسن الگوی بزرگ محافظت متقابل در برابر سایر ارتوپوکس ویروس ها را فراهم می کند ، تلاش های واکسیناسیون پس از ریشه کن کردن الگوی بزرگ در سال 1980 متوقف می شود.

این مطالعه همچنین چندین خانواده حیوانات را به عنوان میزبان MPOX از جمله جوندگان ، گربه ها ، کنسروها (سگ ها و گونه های مرتبط) ، اسکون ، خردل (خردل و اوترها) و خرس های شستشو معرفی می کند. این مدل به درستی موشهای صحرایی نشان داده شده در مطالعات آزمایشگاهی را در برابر عفونت mpox مقاوم می کند.

کیتی سنگ ، دانشجوی تحصیلات تکمیلی دامپزشکی و اولین نویسنده این مطالعه ، خاطرنشان کرد: این مدل نه تنها دقت بیشتری از پیش بینی از مدلهای قبلی را نشان می دهد ، بلکه می تواند در پیش بینی میزبان ها و سایر ویروس ها نیز مفید باشد.

در حالی که از مدل به طور خاص برای ارتوپوکس ویروس استفاده می کنیم ، می توانیم در جهات مختلفی نیز پیش برویم و از این مدل خوب استفاده کنیم. “

کیتی کان ، دانشجوی فارغ التحصیل دامپزشکی و اولین نویسنده این مطالعه

пилар ернанрес ، еооог на боллл и а а ачистент В ччилето наъъ ، който па за за Воо2 اهای заяви ، че пrerедишните моqubettre на машинно оачение ، ззpо* за пre пre нre ниране нра нза ана а пза пза пза пза анана пза пчаче наче ортоксвираси ، разчитат на екооریفчните черти нживотни ، като местобиение ииииети res Вллят на техните Взаиаиحمت с с с о ke сre ase ، като изззване на рарси и SURVIVAL. اگرچه مؤثر است ، این مدل ها بخش تعیین کننده ای از معادله را نادیده می گیرند – ترکیب ژنتیکی ویروس ها.

فرناندز گفت: “مدل های قبلی بیشتر بر اساس ویژگی های میزبان ساخته شده بودند ، اما ما می خواستیم طرف دیگر داستان ، ویژگی های ویروس ها را اضافه کنیم.” “مدل ما دقت پیش بینی های میزبان را بهبود می بخشد و تصویری واضح تر از چگونگی گسترش ویروس ها به گونه ها ارائه می دهد.”

ارتوپوکس ویروس ها معمولاً باعث شیوع کوچک و موضعی می شوند ، اما وقایع اخیر ، از جمله گسترش جهانی MPOX در سال 2022 ، باعث نگرانی در مورد ویروس هایی شده است که مناطق بومی جدید ایجاد می کنند و از طریق مخازن حیوانات جدید پخش می شوند.

تعیین مخازن احتمالی برای پیش بینی وقایع سرریز بسیار مهم است ، اما دستیابی به این امر از طریق نمونه گیری سنتی این میدان یک تلاش شدید و غیر عملی است. مدل جدید این کار را ساده می کند و می تواند برای هدایت تلاش برای نظارت بر حیات وحش استفاده شود.

“اگر به دنبال مخزن ویروس MPOX در آفریقای مرکزی هستید ، این یکی از مکان های بیولوژیکی روی زمین است ، بنابراین از کجا شروع می کنید؟” سافرت گفت. “اگر ما بتوانیم از این مدل های یادگیری ماشین استفاده کنیم تا به ما در اولویت بندی تلاش نمونه برداری کمک کنیم ، پس از آن در شناسایی این ویروس ها بسیار مفید خواهد بود و خطرات آنها را نشان می دهد.”

این تیم تحقیقاتی همچنین شامل هدر کوهلر ، دستیار دانشکده علوم بیولوژیکی مولکولی ، که به تفصیل MPOX مورد مطالعه قرار گرفته است. دانیل جی بکر ، دانشگاه اوکلاهما ؛ روری گیب ، کالج دانشگاه لندن ؛ و کالین کارلسون ، دانشگاه ییل ، ​​همچنین به اعضای انستیتوی تحقیق در مورد اضطراری ویروسی ، یک شبکه مشترک از دانشمندان که تعامل بین میزبان و ویروس را برای پیش بینی ویروس های توزیع شده در سطح جهان ، که توسط بنیاد ملی علمی تأمین می شود ، کمک کرد. این گروه شامل متخصصان در زمینه علوم داده ، زیست شناسی محاسبات ، ویروس شناسی ، بوم شناسی و زیست شناسی تکاملی است.