پیش بینی همه گیری بعدی با هوش مصنوعی نو - سافاری رو

به گزارش ایسنا و به نقل از آی ای، همه ما می دانیم که همه گیری کووید-19 چقدر ویرانگر بود و اگر کوشش دانشمندان و کارکنان بهداشت در سراسر دنیا نبود، می توانست بدتر از این هم بگردد. اما چه می گردد اگر بتوانیم از خطرناک ترین گونه های بعدی ویروس ها را قبل از تبدیل شدن به یک تهدید بزرگ دنیای مطلع شویم؟

اکنون یک سیستم هوش مصنوعی تازه می تواند این کار را انجام دهد. بر اساس مطالعه دانشمندان موسسه پژوهش اسکریپس و دانشگاه نورث وسترن در ایالات متحده، این سیستم موسوم به EWAD می تواند به ما در خصوص 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 مقدار مرگ و میر بر اثر انواع ویروس ها در سراسر دنیا استفاده می نماید.

پژوهشگران EWAD را بر روی داده های واقعی از همه گیری کووید-19 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 بعلاوه می تواند 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 یاری کند تا با شناسایی تهدید های بالقوه قبل از معین و تایید رسمی به وسیله سازمان بهداشت دنیای (WHO) برای مقابله با شیوع های آینده آماده شویم و به آن ها واکنش نشان دهیم.

ویلیام بالچ، میکروبیولوژیست در موسسه پژوهشی اسکریپس و یکی از نویسندگان اصلی این مطالعه می گوید: می توانیم انواع ژن های کلیدی را ببینیم که ظاهر می شوند و بیشتر می شوند، زیرا مقدار مرگ و میر نیز تغییر می نماید و همه این ها هفته ها قبل از معین رسمی گونه های نگران کننده به وسیله سازمان بهداشت دنیای 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 نماید که می تواند داده های تازه را بر اساس داده های موجود و روابط آن ها پیش بینی کند.

این سیستم بعلاوه می تواند الگو ها و قوانین تکامل ویروس را که در غیر این صورت در حجم وسیعی از داده ها پنهان می شوند، 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 معین نشده که ما آن ها را نوعی ماده تاریک می نامیم، در نظر بگیریم.

پژوهشگران می گویند که سیستم آن ها بعلاوه می تواند به ما یاری کند تا در خصوص بیولوژی اولیه ویروس ها و نحوه سازگاری آن ها با محیط های مختلف بیشتر بدانیم. این می تواند به درمان ها و استراتژی های پیشگیری بهتر برای بیماری های ویروسی منجر گردد.

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

این مطالعه در مجله Cell Patterns منتشر شده است.