پیش بینی ظهور انواع خطرناک ویروس‌ها در آینده با هوش مصنوعی

دانشمندان یک سیستم هوش مصنوعی را توسعه داده اند که ما را از همه گیری بعدی آگاه می کند. این سیستم با استفاده از فناوری یادگیری ماشینی می تواند به ما در مورد ظهور انواع خطرناک ویروس ها در آینده هشدار دهد و همچنین به ما اجازه دهد تا از قبل برای آن آماده شویم.

به گزارش ایسنا به نقل از آی ای، همه ما می دانیم که همه گیری کووید- ۱۹ چقدر ویرانگر بود و اگر تلاش دانشمندان و کارکنان بهداشت در سراسر جهان نبود، می توانست بدتر از این هم بشود. ولی چه می شود اگر بتوانیم از خطرناک ترین گونه های بعدی ویروس ها را قبل از تبدیل شدن به یک تهدید بزرگ جهانی آگاه شویم؟

اکنون یک سیستم هوش مصنوعی (Artificial Intelligence) جدید می تواند این کار را انجام دهد. بر اساس مطالعه دانشمندان موسسه پژوهش اسکریپس و دانشگاه نورث وسترن در آمريکا، این سیستم موسوم به EWAD می تواند به ما در مورد ظهور انواع خطرناک ویروس ها در همه گیری های آینده هشدار دهد.

سیستم EWAD

این سیستم که هشدار اولیه تشخیص ناهنجاری (EWAD) نام دارد، از فناوری یادگیری ماشینی برای تجزیه و تحلیل توالی های ژنتیکی، تناوب ها و میزان مرگ و میر بر اثر انواع ویروس ها در سراسر جهان استفاده می کند.

پژوهشگران EWAD را بر روی داده های واقعی از همه گیری کووید- ۱۹ آزمایش کردند و دریافتند که می تواند به طور دقیق پیش بینی کند که کدام گونه های نگران کننده در هنگام جهش ویروس ایجاد می شوند.

این سیستم همچنین میتواند تخمین بزند که اقدامات بهداشت عمومی مانند واکسن ها و پوشیدن ماسک چگونه بر تکامل ویروس تأثیر می گذارد.

این مطالعه که در مجله Cell Patterns منتشر شده است، نشان می دهد که EWAD می تواند به ما کمک کند تا با شناسایی تهدیدهای بالقوه قبل از تعیین و تائید رسمی توسط سازمان بهداشت جهانی (WHO) برای مقابله با شیوع های آینده آماده شویم و به آن ها واکنش نشان دهیم.

ویلیام بالچ، میکروبیولوژیست در مؤسسه پژوهشی اسکریپس و یکی از نویسندگان اصلی این مطالعه می گوید: می توانیم انواع ژن های کلیدی را ببینیم که ظاهر میشوند و بیشتر می شوند، زیرا میزان مرگ و میر نیز تغییر می کند و همه اینها هفته ها قبل از تعیین رسمی گونه های نگران کننده توسط سازمان بهداشت جهانی اتفاق می افتد.

این سیستم هوش مصنوعی از یک روش ریاضی به نام کوواریانس فضایی مبتنی بر فرآیند گاوسی (Gaussian process- based spatial covariance) استفاده می کند که میتواند داده های جدید را بر اساس داده های موجود و روابط آن ها پیش بینی کند.

این سیستم همچنین میتواند الگوها و قوانین تکامل ویروس را که در غیر این صورت در حجم وسیعی از داده ها پنهان میشوند، شناسایی کند.

درس های آموخته شده

بالچ می گوید: یکی از درس های بزرگ این کار این است که مهم است که نه تنها چند نوع برجسته، بلکه ده ها هزار نوع دیگر تعیین نشده که ما آنها را «نوعی ماده تاریک» می نامیم، در نظر بگیریم.

پژوهشگران می گویند که سیستم آن ها همچنین می تواند به ما کمک کند تا در مورد بیولوژی اولیه ویروس ها و نحوه سازگاری آنها با محیط های مختلف بیشتر بدانیم. این می تواند به درمان ها و استراتژی های پیشگیری بهتر برای بیماری های ویروسی منجر شود.

بن کالوِرلی، ریاضی شناس در مؤسسه پژوهشی اسکریپس و یکی دیگر از نویسندگان اصلی این مطالعه می گوید: این سیستم و روش های فنی زیربنایی آن کاربردهای احتمالی زيادي در آینده دارند.

این مطالعه در مجله Cell Patterns منتشر شده است.