آخرین مطالب

این الگوریتم جدید می تواند به دانشمندان کمک کند تا چگونگی تکامل یک ویروس را در زمان واقعی کشف کنند و تصمیم گیری توسط رهبران دولتی را آگاه کنند –


محققان دانشگاه ایالتی جورجیا نرم‌افزار رایانه‌ای با سرعت رعد و برق ایجاد کرده‌اند که می‌تواند به کشورها کمک کند تا همه‌گیری‌ها، مانند بیماری کووید-۱۹، را قبل از انتشار مانند آتش‌سوزی در سراسر جهان، ردیابی و تجزیه و تحلیل کنند.

این گروه از محققان علوم کامپیوتر و ریاضیات می گویند نرم افزار جدید آن چندین مرتبه سریعتر از برنامه های رایانه ای موجود است و می تواند بیش از 200000 ژنوم ویروس جدید را در کمتر از دو ساعت پردازش کند. سپس نرم افزار یک درخت بصری واضح از سویه ها و محل انتشار آنها می سازد. این اطلاعاتی را ارائه می دهد که می تواند برای کشورهایی که تصمیمات اولیه در مورد قرنطینه، قرنطینه، فاصله گذاری اجتماعی و آزمایش در هنگام شیوع بیماری های عفونی اتخاذ می کنند بسیار ارزشمند باشد.

الکساندر زلیکوفسکی، استاد علوم کامپیوتر ایالت جورجیا که بر روی این پروژه کار می کرد، گفت: “آینده شیوع بیماری های عفونی بدون شک به شدت مبتنی بر داده ها خواهد بود.”

نرم افزار جدید با همکاری Pavel Skums، استادیار علوم کامپیوتر، Mark Grinshpon، مدرس ارشد اصلی ریاضیات و آمار، Daniel Novikov، دکترای علوم کامپیوتر ایجاد شد. دانشجو و دو دکترای سابق ایالتی جورجیا. دانشجویان — سرگئی کنیازف (اکنون یک محقق فوق دکتری در دانشگاه کالیفرنیا در لس آنجلس) و پلین ایسر (اکنون یک محقق فوق دکتری در موسسه فناوری فدرال سوئیس، ETH زوریخ).

مقاله آنها در توصیف رویکرد جدید، “بازسازی مقیاس پذیر فیلوژنی SARS-CoV-2 با جهش های مکرر” در مجله زیست شناسی محاسباتی.

اسکومز گفت: «همه‌گیری COVID-19 یک چالش و فرصت بی‌سابقه برای دانشمندان بوده است. سویه‌های SARS-CoV-2 در پایگاه داده جهانی رایگان GISAID (https://www.gisaid.org/hcov19-variants/) آپلود می‌شوند، جایی که می‌توانند توسط هر دانشمندی استخراج و مطالعه شوند. Zelikovsky، Skums و همکارانشان بیش از 300000 گونه مختلف GISAID را برای کار جدید خود تجزیه و تحلیل کردند.

Zelikovsky گفت: “در حال حاضر بیش از 5 میلیون ژنوم در پایگاه داده GISAID وجود دارد.” دانشمندان در سراسر جهان احتمالاً هر ساعت یک نوع جدید را توالی می‌کنند.»

زلیکوفسکی گفت که این حجم حیرت‌انگیز داده به دانشمندان اجازه می‌دهد تا تکامل ویروس را در زمان واقعی مشاهده کنند – اگر نرم‌افزاری داشته باشیم که قادر به تجزیه و تحلیل سریع آن باشد.

در روزهای اولیه همه گیری، در مارس 2020، دانشمندان بسیار کندتر کار می کردند. دانشمندان فکر می کردند که ویروس برای اولین بار در ماه فوریه به سواحل ما در ایالت واشنگتن رسیده است. با این حال، توالی‌بندی بعدی که در مقاله‌ای توسط اسکومز و همکارانش ارائه شد، قوس‌های گونه‌های ویروسی را نشان داد که در سراسر کشورها و اقیانوس‌ها سفر می‌کنند. با مطالعات جدید، دانشمندان دریافتند که ویروس احتمالاً در ماه فوریه بی سر و صدا به شهر نیویورک رسیده است، از سویه هایی که منشاء آن اروپا بوده است.

در آن زمان، دانشمندان خیلی آهسته داده ها را توالی می کردند تا مهاجرت واقعی این ویروس جهانی و جهش های آن را در زمان واقعی ثبت کنند.

اسکامز گفت: “برنامه ها به اندازه کافی سریع نبودند، به اندازه کافی مقیاس پذیر نبودند.” “الگوریتم ها برای مدیریت حجم عظیمی از داده ها مجهز نبودند.” او گفت که پردازش حتی زیرمجموعه کوچکی از ژنوم های ویروسی ممکن است ساعت ها یا روزها طول بکشد.

Zelikovsky، Skums و همکارانشان یک الگوریتم جدید برای توالی‌یابی ویروسی به نام SPHERE (PHylogEny مقیاس‌پذیر با جهش‌های مکرر) ایجاد کردند. این تجسم ها را می توان به راحتی در یک نگاه درک کرد. خود برنامه کامپیوتری برای دانلود رایگان در اختیار هر محققی در جهان است.

هنگامی که محققان الگوریتم خود را روی ژنوم های پایگاه داده GISAID اعمال کردند، متوجه شدند که رویکرد SPHERE آنها در ردیابی نحوه انتشار ویروس بسیار قابل اعتماد است. SPHERE می تواند به دانشمندان کمک کند تا چگونگی تکامل یک ویروس را در زمان واقعی کشف کنند.

زلیکوفسکی گفت: «ما می توانیم ببینیم که چگونه جهش ها از کشوری به کشور دیگر و منطقه ای به منطقه دیگر گسترش می یابد. “ما می توانیم تعیین کنیم که قرنطینه ها و تعطیلی ها چگونه گسترش می یابد. این عواقبی برای سیاست دولت دارد.”

الگوریتم SPHERE می تواند در همه گیری های آینده بسیار ارزشمند باشد.

زلیکوفسکی گفت: “شما می توانید زنجیره های انتقال را خیلی سریع ردیابی کنید.” دیدن این زنجیره‌ها به دولت‌ها کمک می‌کند تا در مورد سیاست‌های اجتماعی مانند فاصله‌گذاری یا قرنطینه در زمان‌های شیوع بالا تصمیم‌گیری کنند.

SPHERE همچنین می تواند تأثیر رویکردهای مختلف برای شیوع بیماری را نشان دهد. به عنوان مثال، اسکامز گفت، سوئد رویکرد آرام‌تری نسبت به همه‌گیری کووید-19 نسبت به سایر کشورهای شمال اروپا اتخاذ کرد. تجزیه و تحلیل داده های توالی نشان می دهد که سوئدی ها “زنجیره های انتقال” طولانی تری دارند. این بدان معناست که در سوئد، یک سویه قادر است افراد بیشتری را یکی یکی آلوده کند.

زلیکوفسکی گفت: “خطر زنجیره های بلند این است که ممکن است یک سویه جدید ظاهر شود.” و یکی از این گونه‌ها ممکن است گونه‌ای باشد که در آلوده کردن افراد بسیار خوب باشد.»

اگر با یک بیماری همه گیر جهانی دیگر روبرو شویم، این نوع بینش ها به ما کمک خواهند کرد.

زلیکوفسکی گفت: «ابزارهایی که ما و دیگران ایجاد کرده‌ایم را می‌توان در هر جایی برای هر شیوعی استفاده کرد. این زیبایی علم کامپیوتر است.