به گزارش ایسنا و به نقل از نیویورک تایمز،" کولین کارلسون"( Colin Carlson) زیست شناس دانشگاه جورج تاون آمریکا اخیرا نگرانی هایی در مورد بیماری آبله موش( mousepox) پیدا کرده است. این ویروس که در سال ۱۹۳۰ کشف شد، در بین موش ها پخش می شود و آنها را بسیار ظالمانه می کشد. اما دانشمندان هرگز آن را یک تهدید بالقوه برای انسان در نظر نگرفته اند. اکنون دکتر کارلسون، همکارانش و رایانه هایشان چندان در این باره مطمئن نیستند و فکر می کنند شاید آبله موش برای انسان نیز خطرناک باشد.
پژوهشگران با استفاده از روشی به نام یادگیری ماشینی، چند سال گذشته را صرف برنامه نویسی برای رایانه ها کرده اند تا به آنها درباره ویروس هایی که می توانند سلول های انسان را آلوده کنند، آموزش دهند. رایانه ها اطلاعات زیادی در مورد زیست شناسی و بوم شناسی میزبان های حیوانی آن ویروس ها می دانند و ژنوم و سایر ویژگی های خود ویروس ها را نیز مورد بررسی قرار داده اند. با گذشت زمان، رایانه ها عوامل خاصی را شناسایی کردند که می توانند پیش بینی کنند که آیا یک ویروس پتانسیل سرایت به انسان را دارد یا خیر.
زمانی که رایانه ها توانایی خود در مورد ویروس هایی که دانشمندان قبلا به شدت آنها را مطالعه کرده بودند ثابت کردند، دکتر کارلسون و همکارانش از آنها برای بررسی موارد ناشناخته استفاده کردند و در نهایت فهرست کوتاهی از ویروس های حیوانی با پتانسیل پرش از" مانع گونه ای"( species barrier) و ایجاد شیوع بیماری انسانی را ایجاد کردند. در آخرین آزمایش ها، الگوریتم ها به طور غیرمنتظره ویروس آبله موش را در رده های بالای پاتوژن های خطرناک قرار دادند.
دکتر کارلسون و همکارانش به جستجو و پیدا کردن موارد بیشتر پرداختند که ناگهان آنها با اسنادی از یک شیوع فراموش شده در سال ۱۹۸۷ در روستاهای چین مواجه شدند. طی شیوع یک بیماری دانش آموزان مدرسه ای در آنجا به عفونتی که باعث گلودرد و التهاب در دست ها و پاهایشان شده بود مبتلا شده بودند.
دلهره دانشمندان برای شیوع آبله موش
سال ها بعد، گروهی از دانشمندان آزمایش هایی را روی سواب های گلو که در طول شیوع آن بیماری جمع آوری و در انبار ذخیره شده بود، انجام دادند. این نمونه ها همانطور که محققان در سال ۲۰۱۲ گزارش کردند، حاوی دی.ان.ای آبله موش بودند. اما توجه چندانی به مطالعه آنها نشد و تا یک دهه بعد و هم اکنون نیز آبله موش همچنان برای انسان تهدیدی محسوب نمی شود.
اگر عملکرد رایانه برنامه ریزی شده توسط دکتر کارلسون و همکارانش درست باشد، این ویروس می بایست مجددا مورد بررسی قرار گیرد. دانشمندان حدود ۲۵۰ بیماری انسانی را شناسایی کرده اند که با جهش یک ویروس حیوانی از مانع گونه ای به وجود آمده اند. برای مثال اچ آی وی از شامپانزه ها شیوع پیدا کرد و منشا شیوع ویروس جدید کرونا نیز از خفاش ها بود.
در حالت ایده آل ، دانشمندان دوست دارند ویروس همه گیر بعدی را قبل از اینکه شروع به آلوده کردن افراد کند، بشناسند. اما ویروس های حیوانی بسیار زیادی وجود دارد که ویروس شناسان باید آن ها را مطالعه کنند. دانشمندان بیش از ۱۰۰۰ ویروس را در پستانداران شناسایی کرده اند ، اما این به احتمال زیاد کسر کوچکی از تعداد واقعی آنچه که وجود دارد ، است. برخی از محققان گمان می کنند که پستانداران حامل ده ها هزار ویروس هستند، در حالی که برخی دیگر این تعداد را صدها هزار می پندارند.
برای شناسایی عوامل جدید، محققانی مانند دکتر کارلسون از رایانه ها برای شناسایی الگوهای پنهان در داده های علمی استفاده می کنند. به عنوان مثال ، این ماشین ها می توانند ویروس هایی را که به صورت خاص ممکن است به بیماری های انسانی منجر شوند، شناسایی کنند و همچنین می توانند پیش بینی کنند که کدام حیوانات به احتمال زیاد حامل ویروس های خطرناکی هستند که ما هنوز درباره آن ها اطلاعاتی نداریم.
" باربارا هان"( Barbara Han) بوم شناس بیماری ها در موسسه مطالعات اکوسیستم کری در میلبروک، نیویورک که با دکتر کارلسون همکاری می کند، گفت:به نظر می رسد که شما یک مجموعه چشم جدید دارید." شما نمی توانید به همان اندازه که یک مدل می تواند ابعاد را ببینید.
دکتر هان برای اولین بار در سال ۲۰۱۰ با یادگیری ماشینی آشنا شد. دانشمندان کامپیوتر چندین دهه در حال توسعه این تکنیک بودند و شروع به ساخت ابزارهای قدرتمند با آن کردند. این روزها، یادگیری ماشینی رایانه ها را قادر می سازد تا برخی موارد تقلبی را شناسایی کرده و چهره افراد را نیز تشخیص دهند.
اما تعداد کمی از محققان از یادگیری ماشینی برای بیماری ها استفاده کرده بودند. دکتر هان فکر کرد که آیا میتواند از آن برای پاسخ دادن به سؤالات بازی مانند اینکه چرا کمتر از ۱۰ درصد از گونه های جوندگان دارای پاتوژن های شناخته شده برای آلوده کردن انسان هستند، استفاده کند یا خیر. او اطلاعات مربوط به گونه های مختلف جوندگان را از یک پایگاه داده آنلاین به رایانه ای متقل کرد. سپس رایانه به دنبال ویژگی های جوندگانی گشت که تعداد زیادی از پاتوژن های جهش یافته گونه ها را در خود جای داده بودند.
هنگامی که رایانه یک مدل را ایجاد کرد، او آن را بر روی گروه دیگری از گونه های جوندگان آزمایش و مشاهده کرد که چقدر می تواند حدس بزند که کدام یک مملو از عوامل بیماری زا هستند. در نهایت دقت مدل کامپیوتر به ۹۰ درصد رسید.
سپس دکتر هان به بررسی جوندگانی پرداخت که هنوز درباره پاتوژن های عامل بیماری آنها اطلاعی نداشت و سپس فهرستی از گونه های با اولویت بالا در شیوع بیماری را تهیه کرد. دکتر هان و همکارانش پیش بینی کردند که گونه هایی مانند ول کوهی( Microtus montanus) و موش ملخ خوار شمالی از غرب آمریکای شمالی احتمالا حامل پاتوژن های نگران کننده هستند.
از بین تمام صفاتی که دکتر هان و همکارانش به رایانه خود ارائه دادند، یکی از مواردی که بیش از همه مهم بود طول عمر جوندگان بود. گونه هایی که در جوانی می میرند، حامل پاتوژن های بیشتری هستند، علت این امر نیز شاید به این دلیل است که تکامل منابع بیشتری از آنها را به جای ایجاد یک سیستم ایمی قوی، برای تولید مثل به کار می برد.
این نتایج شامل سالها تحقیق پر زحمت بود که در آن دکتر هان و همکارانش پایگاه های اطلاعاتی زیست محیطی و پژوهش های علمی را به دنبال داده های مفید جستجو کردند. اخیرا، محققان این کار را با ساختن پایگاه های اطلاعاتی که به صراحت برای آموزش رایانه ها درباره ویروس ها و میزبان های آنها طراحی شده اند، سرعت بخشیده اند.
به عنوان مثال در ماه مارس دکتر کارلسون و همکارانش از یک پایگاه داده دسترسی آزاد به نام" VIRION" رونمایی کردند. در این پایگاه داده نیم میلیون اطلاعات در مورد ۹۵۲۱ ویروس و ۳۶۹۲ میزبان حیوانی آنها جمع آوری شده است. اطلاعات آن نیز همچنان در حال افزایش است.
پایگاه های داده ای مانند VIRION اکنون امکان پرسیدن سوالات متمرکزتر در مورد همه گیری های جدید را فراهم می کند. زمانی که همه گیری کووید شیوع پیدا کرد، سریع مشخص شد که ویروس جدیدی به نام کروناویروس سندرم حاد تنفسی ۲ باعث ایجاد آن شده است. دکتر کارلسون، دکتر هان و همکارانشان برنامه هایی را برای شناسایی حیواناتی که به احتمال زیاد پناهگاه کروناویروس جدید هستند ایجاد کردند.
کروناویروس (Coronaviruses) سندرم حاد تنفسی ۲ مربوط به گروهی از گونه ها به نام بتاکروناویروس ها( betacoronaviruses) است که شامل ویروس هایی است که باعث همه گیری سارس و مرس در بین انسان ها شده اند. در بیشتر موارد، بتاکروناویروس ها خفاش ها را آلوده می کنند. هنگامی که کروناویروس سندرم حاد تنفسی ۲ در ژانویه ۲۰۲۰ کشف شد، ۷۹ گونه خفاش حامل آنها شناخته شدند. اما دانشمندان به طور سیستماتیک تمام ۱۴۴۷ گونه خفاش را برای بررسی بتاکروناویروس جستجو نکرده اند و تکمیل چنین پروژه ای سال ها طول می کشد.
دکتر کارلسون، دکتر هان و همکارانشان با ارائه داده های بیولوژیکی در مورد انواع مختلف خفاش ها و رژیم غذایی آنها، طول بال هایشان و غیره در رایانه شان مدلی را ایجاد کردند که می تواند پیش بینی هایی درباره خفاش های حامل ویروس ارائه دهد. آنها بیش از ۳۰۰ گونه را پیدا کردند که با این شرایط سازگار بود.
از آن پیش بینی در سال ۲۰۲۰، محققان در واقع بتاکروناویروس ها را در ۴۷ گونه خفاش پیدا کرده اند که همه آنها در فهرست های پیش بینی ایجاد شده توسط برخی از مدل های رایانه ای که برای مطالعه خود ساخته بودند، قرار داشتند.
" دنیل بکر"( Daniel Becker) بوم شناس بیماری در دانشگاه اوکلاهاما که همچنین روی مطالعه بتاکرونا ویروس مطالعه می کرد ، گفت اینکه ویژگی های ساده مانند اندازه بدن می تواند منجر به پیش بینی های قدرتمند در مورد ویروس ها شود، شگفت انگیز است.
دکتر" پراناو پاندیت"( Pranav Pandit) همه گیر شناس دانشگاه کالیفرنیا در دیویس، هشدار داد که این مدل ها بسیار در حال پیشرفت هستند. وقتی روی ویروس هایی که به خوبی مطالعه شده اند آزمایش شوند، به طور قابل توجهی بهتر از مواقع تصادفی عمل می کنند.
او گفت:در مرحله ای نیستیم که بتوانیم به آن نتایج تکیه کنیم و هشداری دهیم و به دنیا بگوییم این یک ویروس مشترک بین انسان و دام است.
" ناردوس مولنتز"( Nardus Mollentze) ویروس شناس محاسباتی در دانشگاه گلاسگو و همکارانش روشی را ایجاد کرده اند که می تواند دقت مدل ها را به طور قابل توجهی افزایش دهد. مدل های آنها به جای نگاه کردن به میزبان های ویروس، به ژن های آن نگاه می کند. می توان به رایانه آموزش داد که ویژگی های ظریف ژن های ویروس هایی را که می توانند انسان را آلوده کنند، تشخیص دهد.
دکتر مولنتز و همکارانش در اولین گزارش خود در مورد این تکنیک، مدلی را توسعه دادند که می توانست ویروس های آلوده کننده انسان را بدرستی در بیش از ۷۰ درصد مواقع تشخیص دهد. به گفته او سلول های ما می توانند ژن های خارجی را تشخیص دهند و زنگ خطر را به سیستم ایمنی بدن ارسال کنند. ویروس هایی که می توانند سلول های ما را آلوده کنند ممکن است توانایی تقلید دی.ان.ای خود را به عنوان نوعی استتار ویروسی داشته باشند. هنگامی که آنها این مدل را برای ویروس های حیوانی به کار بردند، فهرستی از ۲۷۲ گونه در معرض خطر بالای همه گیری را ایجاد کردند.
" امی د ویت"( Emmie de Wit) ویروس شناس آزمایشگاه Rocky Mountain در همیلتن مونتانا که بر تحقیقات بر روی ویروس کرونا جدید، آنفلوآنزا و سایر ویروس ها نظارت می کند، گفت که او و همکارانش باید راهی برای شناسایی بدترین ژنها در میان ویروس های حیوانی بیابند.
دکتر مولنتز برای پیگیری مطالعه اولیه خود با دکتر کارلسون و همکارانش برای ادغام داده های مربوط به ژن های ویروس ها با داده های مربوط به زیست شناسی و بوم شناسی میزبان ها کار می کند. محققان نتایج امیدوارکننده ای از این رویکرد به دست آورده اند.
انواع دیگر داده ها ممکن است پیش بینی ها را حتی بهتر کنند. به عنوان مثال یکی از مهم ترین ویژگی های ویروس، پوشش مولکول های قند روی سطح آن است. ویروس های مختلف در نهایت با الگوهای متفاوتی از مولکول های قند ایجاد می شوند و این ترتیب می تواند تاثیر زیادی بر موفقیت آنها داشته باشد. برخی از ویروس ها می توانند از این روکش مولکولی برای پنهان شدن از سیستم ایمنی میزبان خود استفاده کنند. در موارد دیگر، ویروس می تواند از مولکول های قند خود برای اتصال به سلول های جدید استفاده کند و باعث ایجاد عفونت جدید شود.
در این ماه، دکتر کارلسون و همکارانش مطالعه ای را به صورت آنلاین منتشر کردند که در آن تاکید کردند که یادگیری ماشینی ممکن است بینش های زیادی از پوشش قندی ویروس ها و میزبان های آنها به دست آورد. دکتر کارلسون گفت:حس اصلی من این است که ما خیلی بیشتر از آنچه فکر می کنیم اطلاعات داریم.
او اعلام کرد که مدل ها تاکنون عمدتا بر روی پتانسیل یک پاتوژن برای الوده کردن سلول های انسانی تمرکز کرده اند. قبل از ایجاد یک بیماری جدید انسانی، یک ویروس نیز باید از فردی به فرد دیگر سرایت کند و در طول مسیر علائم جدی ایجاد کند. او منتظر نسل جدیدی از مدل های یادگیری ماشینی است که بتواند آن پیش بینی ها را نیز انجام دهد.
او گفت:آنچه ما واقعا می خواهیم بدانیم لزوما این نیست که کدام ویروس می تواند انسان را آلوده کند، بلکه این است که کدام ویروس می تواند باعث شیوع بیماری شود. بنابراین این واقعا گام مهم بعدی است که ما باید آن را کشف کنیم.
- 19
- 1
