Ο COVID-19 μας έδειξε πόσο καταστροφικές μπορεί να είναι αυτές οι πανδημίες για την ανθρωπότητα. Η περίοδος του lockdown και οι απώλειες σε ανθρώπινες ζωές στιγμάτισαν την παγκόσμια κοινότητα που ψάχνει τρόπους να προστατευτεί και γιατί όχι, να προετοιμαστεί για κάθε μελλοντικό ενδεχόμενο.
Έτσι, η επιστημονική κοινότητα φαίνεται να έδειξε ενδιαφέρον στο να αναπτύξει μια εφαρμογή τεχνητής νοημοσύνης (TN) που υπόσχεται να μας προειδοποιήσει για επικίνδυνες παραλλαγές σε μελλοντικές πανδημίες.
Ονομάζεται σύστημα έγκαιρης προειδοποίησης ανίχνευσης ανωμαλιών (EWAD) και όταν δοκιμάστηκε με πραγματικά δεδομένα από την εξάπλωση του SARS-CoV-2, ήταν ακριβής στην πρόβλεψη των νέων ανησυχητικών παραλλαγών (VOCs) που θα εμφανίζονταν καθώς ο ιός μεταλλάσσεται.
Επιστήμονες από το Scripps Research και το Northwestern University στις ΗΠΑ χρησιμοποίησαν μια μέθοδο μηχανικής μάθησης για την παραγωγή EWAD. Στη μηχανική μάθηση, τεράστιες ποσότητες δεδομένων εκπαίδευσης αναλύονται από υπολογιστές για να εντοπιστούν μοτίβα, να αναπτυχθούν αλγόριθμοι και στη συνέχεια να γίνουν προβλέψεις σχετικά με το πώς αυτά τα μοτίβα μπορεί να παίζουν σε μελλοντικά, άγνωστα σενάρια.
Σε αυτήν την περίπτωση, η ΤΝ τροφοδοτήθηκε με πληροφορίες σχετικά με τις γενετικές αλληλουχίες των παραλλαγών SARS-CoV-2 καθώς εξαπλώνονται οι λοιμώξεις, πόσο συχνές ήταν αυτές οι παραλλαγές και το αναφερόμενο παγκόσμιο ποσοστό θνησιμότητας από τον COVID-19.
Το λογισμικό θα μπορούσε στη συνέχεια να εντοπίσει γενετικές μετατοπίσεις καθώς προσαρμόστηκε ο ιός, που συνήθως εμφανίζονται σε αυξανόμενα ποσοστά μόλυνσης και μειωμένα ποσοστά θνησιμότητας.
«Μπορούσαμε να δούμε βασικές παραλλαγές γονιδίων να εμφανίζονται και να γίνονται πιο διαδεδομένες, καθώς άλλαξε και το ποσοστό θνησιμότητας, και όλα αυτά συνέβαιναν εβδομάδες πριν οι παραλλαγές που περιείχαν αυτές τις αλλοιώσεις οριστούν επίσημα από τον ΠΟΥ», λέει ο William Balch, μικροβιολόγος στο Scripps Research.
Η συγκεκριμένη τεχνική που χρησιμοποιείται από την ομάδα ονομάζεται χωρική συνδιακύμανση με βάση τη διαδικασία Gauss, η οποία ουσιαστικά συνθλίβει τους αριθμούς σε ένα σύνολο υπαρχόντων δεδομένων για να προβλέψει νέα δεδομένα – χρησιμοποιώντας όχι μόνο τους μέσους όρους των σημείων δεδομένων αλλά και τις σχέσεις μεταξύ τους.
Οφέλη μοντέλου Τεχνητής Νοημοσύνης
Δοκιμάζοντας το μοντέλο τους σε κάτι που έχει ήδη συμβεί και βρίσκοντας στενές αντιστοιχίες μεταξύ των πραγματικών και των προβλεπόμενων δεδομένων, οι επιστήμονες θα μπορούσαν να αποδείξουν την αποτελεσματικότητα του EWAD στην πρόβλεψη και τη συνέχιση της εξέλιξης ενός ιού.
«Ένα από τα μεγάλα μαθήματα αυτής της δουλειάς είναι ότι είναι σημαντικό να ληφθούν υπόψη όχι μόνο μερικές εξέχουσες παραλλαγές, αλλά και οι δεκάδες χιλιάδες άλλες ακαθόριστες παραλλαγές, τις οποίες ονομάζουμε “παραλλαγή σκοτεινής ύλης”», λέει ο Balch.
Οι ερευνητές λένε ότι οι αλγόριθμοι τεχνητής νοημοσύνης τους ήταν σε θέση να εντοπίσουν «κανόνες» της εξέλιξης του ιού που διαφορετικά θα είχαν περάσει απαρατήρητοι και που θα μπορούσαν να αποδειχθούν ζωτικής σημασίας για την καταπολέμηση των μελλοντικών πανδημιών καθώς εμφανίζονται.
Επιπλέον, το σύστημα που αναπτύχθηκε εδώ θα μπορούσε επίσης να επιτρέψει στους επιστήμονες να κατανοήσουν περισσότερα σχετικά με τα ίδια τα βασικά στοιχεία της βιολογίας των ιών. Αυτό θα μπορούσε στη συνέχεια να χρησιμοποιηθεί για τη βελτίωση των θεραπειών και άλλων μέτρων δημόσιας υγείας.
«Αυτό το σύστημα και οι υποκείμενες τεχνικές του μέθοδοι έχουν πολλές πιθανές μελλοντικές εφαρμογές», λέει ο μαθηματολόγος Ben Calverley από την Scripps Research.
Με πληροφορίες από Science Alert
Ο COVID-19 μας έδειξε πόσο καταστροφικές μπορεί να είναι αυτές οι πανδημίες για την ανθρωπότητα. Η περίοδος του lockdown και οι απώλειες σε ανθρώπινες ζωές στιγμάτισαν την παγκόσμια κοινότητα που ψάχνει τρόπους να προστατευτεί και γιατί όχι, να προετοιμαστεί για κάθε μελλοντικό ενδεχόμενο.
Έτσι, η επιστημονική κοινότητα φαίνεται να έδειξε ενδιαφέρον στο να αναπτύξει μια εφαρμογή τεχνητής νοημοσύνης (TN) που υπόσχεται να μας προειδοποιήσει για επικίνδυνες παραλλαγές σε μελλοντικές πανδημίες.
Ονομάζεται σύστημα έγκαιρης προειδοποίησης ανίχνευσης ανωμαλιών (EWAD) και όταν δοκιμάστηκε με πραγματικά δεδομένα από την εξάπλωση του SARS-CoV-2, ήταν ακριβής στην πρόβλεψη των νέων ανησυχητικών παραλλαγών (VOCs) που θα εμφανίζονταν καθώς ο ιός μεταλλάσσεται.
Επιστήμονες από το Scripps Research και το Northwestern University στις ΗΠΑ χρησιμοποίησαν μια μέθοδο μηχανικής μάθησης για την παραγωγή EWAD. Στη μηχανική μάθηση, τεράστιες ποσότητες δεδομένων εκπαίδευσης αναλύονται από υπολογιστές για να εντοπιστούν μοτίβα, να αναπτυχθούν αλγόριθμοι και στη συνέχεια να γίνουν προβλέψεις σχετικά με το πώς αυτά τα μοτίβα μπορεί να παίζουν σε μελλοντικά, άγνωστα σενάρια.
Σε αυτήν την περίπτωση, η ΤΝ τροφοδοτήθηκε με πληροφορίες σχετικά με τις γενετικές αλληλουχίες των παραλλαγών SARS-CoV-2 καθώς εξαπλώνονται οι λοιμώξεις, πόσο συχνές ήταν αυτές οι παραλλαγές και το αναφερόμενο παγκόσμιο ποσοστό θνησιμότητας από τον COVID-19.
Το λογισμικό θα μπορούσε στη συνέχεια να εντοπίσει γενετικές μετατοπίσεις καθώς προσαρμόστηκε ο ιός, που συνήθως εμφανίζονται σε αυξανόμενα ποσοστά μόλυνσης και μειωμένα ποσοστά θνησιμότητας.
«Μπορούσαμε να δούμε βασικές παραλλαγές γονιδίων να εμφανίζονται και να γίνονται πιο διαδεδομένες, καθώς άλλαξε και το ποσοστό θνησιμότητας, και όλα αυτά συνέβαιναν εβδομάδες πριν οι παραλλαγές που περιείχαν αυτές τις αλλοιώσεις οριστούν επίσημα από τον ΠΟΥ», λέει ο William Balch, μικροβιολόγος στο Scripps Research.
Η συγκεκριμένη τεχνική που χρησιμοποιείται από την ομάδα ονομάζεται χωρική συνδιακύμανση με βάση τη διαδικασία Gauss, η οποία ουσιαστικά συνθλίβει τους αριθμούς σε ένα σύνολο υπαρχόντων δεδομένων για να προβλέψει νέα δεδομένα – χρησιμοποιώντας όχι μόνο τους μέσους όρους των σημείων δεδομένων αλλά και τις σχέσεις μεταξύ τους.
Οφέλη μοντέλου Τεχνητής Νοημοσύνης
Δοκιμάζοντας το μοντέλο τους σε κάτι που έχει ήδη συμβεί και βρίσκοντας στενές αντιστοιχίες μεταξύ των πραγματικών και των προβλεπόμενων δεδομένων, οι επιστήμονες θα μπορούσαν να αποδείξουν την αποτελεσματικότητα του EWAD στην πρόβλεψη και τη συνέχιση της εξέλιξης ενός ιού.
«Ένα από τα μεγάλα μαθήματα αυτής της δουλειάς είναι ότι είναι σημαντικό να ληφθούν υπόψη όχι μόνο μερικές εξέχουσες παραλλαγές, αλλά και οι δεκάδες χιλιάδες άλλες ακαθόριστες παραλλαγές, τις οποίες ονομάζουμε “παραλλαγή σκοτεινής ύλης”», λέει ο Balch.
Οι ερευνητές λένε ότι οι αλγόριθμοι τεχνητής νοημοσύνης τους ήταν σε θέση να εντοπίσουν «κανόνες» της εξέλιξης του ιού που διαφορετικά θα είχαν περάσει απαρατήρητοι και που θα μπορούσαν να αποδειχθούν ζωτικής σημασίας για την καταπολέμηση των μελλοντικών πανδημιών καθώς εμφανίζονται.
Επιπλέον, το σύστημα που αναπτύχθηκε εδώ θα μπορούσε επίσης να επιτρέψει στους επιστήμονες να κατανοήσουν περισσότερα σχετικά με τα ίδια τα βασικά στοιχεία της βιολογίας των ιών. Αυτό θα μπορούσε στη συνέχεια να χρησιμοποιηθεί για τη βελτίωση των θεραπειών και άλλων μέτρων δημόσιας υγείας.
«Αυτό το σύστημα και οι υποκείμενες τεχνικές του μέθοδοι έχουν πολλές πιθανές μελλοντικές εφαρμογές», λέει ο μαθηματολόγος Ben Calverley από την Scripps Research.
Με πληροφορίες από Science Alert
