Dopo aver attraversato l’esperienza della pandemia di COVID-19, tutti sono desiderosi di prevedere ed evitare la prossima grande minaccia virale. Una nuova ricerca presso l’Università di Glasgow nel Regno Unito sta sfruttando la potenza dell’ intelligenza artificiale per raggiungere questo obiettivo. I ricercatori utilizzano gli algoritmi di Machine learning in un nuovo approccio per trovare future minacce di virus zoonotici.
L’impatto delle malattie infettive sulla salute della popolazione e dell’economia globali è significativamente enorme. La preparazione delle capacità del sistema sanitario per gestire eventuali minacce pandemiche rimane un’esigenza del momento. Le tecnologie digitali come l’ intelligenza artificiale (AI) sta svolgendo un ruolo fondamentale negli studi di ricerca. Negli esperimenti biomedici e nelle sperimentazioni cliniche in tutto il mondo.
Tecniche di intelligenza artificiale, tra cui Machine Learning e Deep Learning, possono demistificare le strutture proteiche del virus. E anche prevedere l’efficacia del vaccino. I modelli di intelligenza artificiale possono essere utilizzati per analizzare i modelli latenti in un’enorme quantità di dati per svolgere compiti complessi di classificazione e previsione molto più velocemente.
I modelli di Machine Learning e le reti neurali artificiali (ANN) possono essere addestrati su vari grandi campioni di dati strutturati e non strutturati delle cellule colpite. In modo da prevedere il miglior percorso possibile per alienare il virus.
Come il COVID-19, la maggior parte delle malattie infettive emergenti, che minacciano l’uomo, sono causate da virus ‘zoonotici’ (hanno origine in una specie animale). Tuttavia, poiché solo una piccola parte degli 1,7 milioni di virus stimati, trasportati dagli animali, è in grado di infettare gli esseri umani, individuare quelli che rappresentano la minaccia maggiore è un compito titanico.
E, man mano che le dimensioni della popolazione aumentano e l’urbanizzazione si espande, gli incontri con creature che ospitano malattie potenzialmente pericolose sono sempre più probabili. Gli scienziati attualmente hanno una capacità molto limitata di valutare rapidamente il rischio zoonotico. Rendendo così difficile sapere quali virus appena scoperti dovrebbero avere la priorità per le indagini precoci. E, oltre a ciò, per la preparazione alle epidemie.
Un recente studio, pubblicato su PLOS Biology da un team di ricercatori dell’Università di Glasgow, Regno Unito, ha sviluppato un nuovo metodo per svolgere questo tipo di lavoro investigativo virale.
Utilizzando il Machine Learning, l’apprendimento automatico, per prevedere la probabilità che un virus passi agli esseri umani. Tali agenti patogeni sono i driver più significativi di epidemie e pandemie. Identificare questi virus in anticipo, quindi, sta diventando di vitale importanza.
Secondo i ricercatori, uno dei principali ostacoli alla comprensione delle malattie zoonotiche è il fatto che gli scienziati tendono a dare la priorità alle famiglie di virus zoonotici ben note. In base alle loro caratteristiche comuni. Ciò significa che esiste potenzialmente una miriade di virus non correlati a malattie zoonotiche note ancora sconosciute, che possono contenere il potenziale zoonotico.
Per aggirare questo problema, il team ha sviluppato un algoritmo di Machine Learning che potrebbe dedurre il potenziale zoonotico di un virus dalla sola sequenza del genoma. Identificando le caratteristiche che lo legano all’uomo, piuttosto che esaminare le relazioni tassonomiche tra il virus studiato e virus zoonotici esistenti.
Il team ha scoperto che i genomi virali possono avere caratteristiche generalizzabili che consentono loro di infettare gli esseri umani. Ma che non sono necessariamente strettamente correlati tassonomicamente ad altri virus che infettano l’uomo. Sostengono che tale approccio possa presentare una nuova opportunità per l’investigazione virale.
Evidenziando i virus con il maggior potenziale di diventare zoonotici, la classificazione basata sul genoma consente di prendere di mira in modo più efficace un’ulteriore caratterizzazione ecologica e virologica.
Questi risultati aggiungono un tassello cruciale alla già sorprendente quantità di informazioni che possiamo estrarre dalla sequenza genetica dei virus. Utilizzando tecniche di intelligenza artificiale. Una sequenza genomica è in genere la prima, e spesso unica, informazione che si ha sui virus. E, più informazioni possiamo estrarne, prima potremmo identificare le origini del virus e il rischio zoonotico che può comportare.
Man mano che vengono caratterizzati più virus, più efficaci diventeranno i nostri modelli di apprendimento automatico nell’identificare i virus rari che dovrebbero essere attentamente monitorati e prioritari per lo sviluppo di vaccini preventivi.