Изкуственият интелект може да идентифицира нови смъртоносни варианти на Covid само за два дни
Изкуственият интелект се използва за идентифициране на потенциално смъртоносни нови варианти на Covid-19 много по-бързо от традиционните методи.
Математиците в университетите на Манчестър и Оксфорд разработиха AI рамка, която може да идентифицира и проследява нововъзникващите форми на вируса, които предизвикаха глобалната пандемия. И те казват, че методът може да помогне при други инфекции в бъдеще. Рамката съчетава техники за намаляване на размерите и нов обясним алгоритъм за групиране, наречен CLASSIX, разработен от математици от Университета на Манчестър.
Той дава възможност за бързо идентифициране на групи от вирусни геноми, които могат да представляват риск в бъдеще от огромни обеми данни. Учените казват, че техните открития, публикувани в списание PNAS, биха могли да подкрепят традиционните методи за проследяване на еволюцията на вируса. Първият автор на изследването д-р Роберто Кахуанти, изследовател в Университета на Манчестър, каза: „От появата на Covid-19 сме свидетели на множество вълни от нови варианти, повишена трансмисивност, избягване на имунните реакции и повишена тежест на заболяването.
„Сега учените засилват усилията си да определят тези тревожни нови варианти, като алфа, делта и омикрон, в най-ранните етапи от появата им. Ако успеем да намерим начин да направим това бързо и ефикасно, това ще ни даде възможност да бъдем по-проактивни в нашия отговор, като например разработване на персонализирана ваксина и дори може да ни позволи да елиминираме вариантите, преди да са се установили."
Той обясни, че подобно на много други РНК вируси, Covid-19 има висока степен на мутация и кратко време между поколенията, което означава, че се развива изключително бързо. Това означава, че идентифицирането на нови щамове, които вероятно ще бъдат проблематични в бъдеще, изисква значителни усилия. В момента има почти 16 милиона последователности, достъпни в базата данни на GISAID (Глобалната инициатива за споделяне на всички данни за грип), която предоставя достъп до геномни данни на грипни вируси.
Картографиране на еволюцията и историята на всички Covid- 19 генома от данните в момента се правят с помощта на огромно количество компютърно и човешко време.Д-р Cahuantzi казва, че новият метод позволява автоматизиране на такива задачи.Изследователите са обработили 5,7 милиона последователности с високо покритие само за един до два дни на стандартен модерен лаптоп.
Д-р Cahuantzi казва, че това не би било възможно за съществуващите методи, поставяйки идентифицирането на засегнатите патогенни щамове в ръцете на повече изследователи поради намалените нужди от ресурси. Професор Томас Хаус от Университета в Манчестър каза: „Безпрецедентното количество генетични данни, генерирани по време на пандемията, изисква подобрения в нашите методи за задълбочен анализ.
„Данните продължават да нарастват бързо, но без да се покаже полза от обработката на тези данни, съществува риск те да бъдат премахнати или изтрити. Знаем, че времето на човешкия експерт е ограничено, така че нашият подход не трябва да замества работата на всички хора заедно, а да работи заедно с тях, за да позволи работата да се свърши много по-бързо и да освободи нашите експерти за други жизненоважни разработки.“
Предложеният метод работи, като разделя генетичните последователности на вируса Covid-19 на по-малки „думи" (наречени 3-mers), представени като числа чрез преброяването им. След това групира подобни последователности заедно въз основа на техните модели на думи, използвайки техники за машинно обучение.
Проф Стефан Гутел от Университета в Манчестър каза: „Алгоритъмът за клъстериране CLASSIX, който разработихме, изисква много по-малко изчисления от традиционните методи и е напълно обясним, което означава, че предоставя текстови и визуални обяснения на изчислените клъстери."
Д-р Cahuantzi добави: „Нашият анализ служи като доказателство за концепцията, демонстрирайки потенциалното използване на методите за машинно обучение като инструмент за предупреждение за ранно откриване на възникващи основни варианти, без да се разчита на необходимостта от генерират филогенези. Въпреки че филогенетиката остава „златен стандарт“ за разбиране на произхода на вируса, тези методи за машинно обучение могат да поемат няколко порядъка повече последователности от настоящите филогенетични методи и при ниска изчислителна цена.“
