هوش مصنوعی ظهور ویروس‌های خطرناک در آینده را پیش‌بینی می‌کند

به گزارش خبرنگار خبرگزاری علم و فناوری آنا به نقل از اینترستینگ اینجیرینگ، دانشمندان سیستم‌های هوش مصنوعی را توسعه می‌دهند تا ما را از همه‌گیری‌های احتمالی آگاه کنند. با استفاده از یادگیری ماشینی، این سیستم می‌تواند در مورد ظهور انواع خطرناک ویروس در آینده به ما هشدار و اجازه دهد از قبل آماده شویم؛ اما چه می‌شد اگر می‌توانستیم پیش از تبدیل شدن به تهدیدی جهانی به خطرناک‌ترین واریانت‌های بعدی یک ویروس سر بزنیم؟ یک سیستم هوش مصنوعی جدید می‌تواند این کار را انجام دهد.

براساس مطالعه دانشمندان مرکز تحقیقات اسکریپ و دانشگاه نورث وسترن در آمریکا، این موضوع می‌تواند در مورد ظهور انواع خطرناک ویروس در پاندمی‌های آینده به ما هشدار دهد.

این سیستم که تشخیص ناهنجاری هشدار زودهنگام (EWAD) نام دارد، از یادگیری ماشین برای تجزیه و تحلیل توالی‌های ژنتیکی، فرکانس‌ها و نرخ مرگ و میر انواع ویروس در حین گسترش آن‌ها در سراسر جهان استفاده می‌کند. این سیستم می‌تواند تخمین بزند که چگونه اقدامات بهداشت عمومی مانند واکسن‌ها و پوشیدن ماسک بر تکامل ویروس تأثیر خواهند گذاشت.

این مطالعه نشان می‌دهد که سیستم تشخیص ناهنجاری هشدار زودهنگام می‌تواند با شناسایی تهدید‌های بالقوه قبل از اینکه به طوررسمی توسط سازمان بهداشت جهانی (WHO) تعیین شوند، به ما در آماده‌سازی و پاسخ به شیوع‌های آینده کمک کند.

ویلیام بالچ، میکروبیولوژیست در تحقیقات اسکریپز و یکی از نویسندگان اصلی این مطالعه می‌گوید: ما می‌توانستیم شاهد ظهور واریانت‌های ژنی کلیدی و شایع‌تر شدن آن‌ها باشیم، چرا که نرخ مرگ و میر نیز تغییر می‌کرد. این سیستم می‌تواند الگو‌ها و قوانین تکامل ویروس را که در حجم عظیمی از داده‌ها پنهان شده‌اند، تشخیص دهد.

به گفته بالچ مهم است که نه تنها چند واریانت برجسته، بلکه ۱۰‌ها هزار واریانت ثبت نشده دیگر را نیز در نظر بگیریم که ما آن‌ها را ماده تاریک متغیر می‌نامیم.

محققان می‌گویند که سیستم آن‌ها همچنین می‌تواند به درک بیشتر در مورد زیست شناسی پایه ویروس‌ها و چگونگی سازگاری آن‌ها با محیط‌های مختلف کمک کند. این می‌تواند به درمان‌های بهتر و استراتژی‌های پیشگیری بیماری‌های ویروسی منجر شود.

بن کالورلی، ریاضیدان موسسه تحقیقاتی اسکریپز و یکی دیگر از نویسندگان اصلی این پژوهش می‌گوید: این سیستم و روش‌های فنی زیربنایی آن کاربرد‌های احتمالی زیادی در آینده دارند. ما یک رویکرد یادگیری ماشین را با استفاده از کوواریانس فضایی برای ردیابی تاثیر رویداد‌های جهشی فضایی و زمانی که تعادل میزبان پاتوژن را در زیست‌شناسی هدایت می‌کنند، توسعه داده‌ایم.