آخرین مطالب

مدل رایانه ای انواع غالب SARS-CoV-2 را پیش بینی می کند


مدل رایانه ای انواع غالب SARS-CoV-2 را پیش بینی می کند

تصویر میکروسکوپ الکترونی رنگی از یک سلول (بنفش) آلوده به SARS-COV-2 (زرد)، جدا شده از نمونه بیمار. اعتبار: موسسه ملی آلرژی و بیماری های عفونی، NIH

دانشمندان در موسسه Broad MIT و هاروارد و دانشکده پزشکی دانشگاه ماساچوست یک مدل یادگیری ماشینی ایجاد کرده‌اند که می‌تواند میلیون‌ها ژنوم SARS-CoV-2 را تجزیه و تحلیل کند و پیش‌بینی کند که کدام گونه‌های ویروسی احتمالاً غالب بوده و باعث افزایش موارد COVID-19 می‌شوند. . این مدل که PyR0 نامیده می‌شود (تلفظ می‌شود پای-هیچی) می‌تواند به محققان کمک کند تا مشخص کنند کدام بخش‌های ژنوم ویروسی احتمال جهش کمتری دارد و از این رو اهداف خوبی برای واکسن‌هایی خواهد بود که علیه انواع آینده کار می‌کنند. یافته ها امروز در علوم پایه.

محققان مدل یادگیری ماشینی را با استفاده از 6 میلیون ژنوم SARS-CoV-2 که در پایگاه داده GISAID در ژانویه 2022 بود آموزش دادند. آنها نشان دادند که چگونه ابزار آنها می تواند تأثیر جهش های ژنتیکی را بر تناسب ویروس – توانایی آن برای تکثیر و تکثیر و تخمین بزند. از طریق یک جمعیت پخش می شود. وقتی این تیم مدل خود را بر روی داده‌های ژنومی ویروسی از ژانویه 2022 آزمایش کرد، ظهور نوع BA.2 را پیش‌بینی کرد که در مارس 2022 در بسیاری از کشورها غالب شد. PyR0 نیز نوع آلفا را شناسایی می‌کرد (B.1.1.7). در اواخر نوامبر 2020، یک ماه قبل از اینکه سازمان بهداشت جهانی آن را به عنوان یک نوع نگران کننده فهرست کرد.

تیم تحقیقاتی شامل اولین نویسنده فریتز اوبرمایر، یکی از همکاران یادگیری ماشینی در موسسه برود در زمان شروع مطالعه، و نویسندگان ارشد Jacob Lemieux، مربی پزشکی در دانشکده پزشکی هاروارد و بیمارستان عمومی ماساچوست، و پردیس ثابتی، یکی از اعضای موسسه در برود، استاد مرکز زیست شناسی سیستم ها و گروه زیست شناسی ارگانیسمی و تکاملی در دانشگاه هاروارد، و استاد گروه ایمونولوژی و بیماری های عفونی در دانشکده بهداشت عمومی هاروارد TH Chan. ثابتی همچنین محقق موسسه پزشکی هاوارد هیوز است.

PyR0 بر اساس یک چارچوب یادگیری ماشینی به نام Pyro است که در ابتدا توسط تیمی در آزمایشگاه هوش مصنوعی Uber توسعه داده شد. در سال 2020، سه عضو آن تیم از جمله اوبرمایر و مارتین یانکویاک، نویسنده دوم این مطالعه، به موسسه برود پیوستند و شروع به اعمال این چارچوب در زیست‌شناسی کردند.

Lemieux گفت: “این کار نتیجه همکاری زیست شناسان و ژنتیک دانان با مهندسان نرم افزار و دانشمندان کامپیوتر بود.” “ما توانستیم با برخی از سوالات واقعا چالش برانگیز در بهداشت عمومی مقابله کنیم که هیچ رویکرد انضباطی به تنهایی نمی توانست به آنها پاسخ دهد.”

ثابتی گفت: «این نوع رویکرد مبتنی بر یادگیری ماشین که به همه داده‌ها نگاه می‌کند و آن‌ها را در یک پیش‌بینی واحد ترکیب می‌کند، بسیار ارزشمند است. “این به ما اجازه می دهد تا آنچه را که در حال ظهور است و می تواند یک تهدید بالقوه باشد، شناسایی کنیم.”

آینده SARS-CoV-2

محققان در سرتاسر جهان از اوایل همه‌گیری برای پیش‌بینی تناسب انواع مختلف ویروس SARS-CoV-2 کار کرده‌اند. اما مدل‌های قبلی نمی‌توانستند همه گونه‌ها را به طور همزمان با هم مقایسه کنند، یا چند روز طول کشید تا تنها چند هزار ژنوم پردازش شوند.

در مقابل، PyR0 می‌تواند میلیون‌ها ژنوم را – همه داده‌های SARS-CoV-2 در دسترس عموم – در حدود یک ساعت تجزیه و تحلیل کند. این کار را با گروه‌بندی توالی‌های مشابه با هم انجام می‌دهد و سپس «خوشه‌هایی» از ژنوم‌ها را بر اساس صورت فلکی جهش‌هایی که به اشتراک می‌گذارند، تعریف می‌کند. PyR0 با تمرکز بر جهش‌ها، که می‌توانند در انواع مختلف ظاهر شوند، نسبت به مدل‌هایی که بر روی انواع ویروسی تمرکز می‌کنند، قدرت آماری بیشتری دارد.

در مرحله بعد، این مدل تعیین می کند که کدام جهش رایج تر می شود و تخمین می زند که هر جهش با چه سرعتی می تواند باعث گسترش ویروس شود. همچنین تخمین می زند که تعداد موارد انواع مختلف بر اساس ساختار ژنتیکی آنها با چه سرعتی افزایش می یابد.

با شناسایی اینکه کدام جهش برای تناسب انواع خاص مهم است، این مدل همچنین بینش بیولوژیکی را در مورد چگونگی گسترش و توسعه COVID-19 ارائه می دهد. برای مثال، دانستن جهش‌های حیاتی می‌تواند به دانشمندان کمک کند تا پیش‌بینی کنند که آیا انواع جدید مسری‌تر هستند یا از آنتی‌بادی‌های خنثی‌کننده فرار می‌کنند، و همچنین می‌تواند به آنها کمک کند تا تصمیم بگیرند که کدام جهش را با جزئیات بیشتری مطالعه کنند.

Jankowiak، یکی از همکاران یادگیری ماشینی در Broad، می‌گوید: «ژنوم SARS-CoV-2 اکنون جهش‌های زیادی را جمع‌آوری کرده است، بنابراین بررسی همه ترکیب‌های جهش‌ها بسیار چالش برانگیز است. مزیت این نوع تجزیه و تحلیل این است که کل ژنوم را به طور کل نگریست و ممکن است به جهش ها یا گونه هایی اشاره کند که کمتر در آزمایشگاه مورد توجه قرار می گیرند.

هشدار زودهنگام

محققان می گویند مطالعه آنها نشان می دهد که افزایش فعلی در آمادگی ویروسی ناشی از توانایی ویروس برای فرار از پاسخ های ایمنی است. آنها می افزایند که مقامات بهداشت عمومی، با هشدارهای پیشرفته در مورد توالی و ویژگی های یک نوع، می توانند اقدامات خاصی را برای مدیریت تعداد موارد انجام دهند. و دانستن اینکه کدام جهش‌ها به بقای یک نوع کمک می‌کنند – و بنابراین احتمالاً تغییر نمی‌کنند – می‌تواند به محققان در انتخاب اهداف بهتر برای واکسن‌های آینده کمک کند.

نسخه‌های جدید این یا مدل‌های مشابه می‌توانند با در نظر گرفتن تعاملات بین جهش‌ها، پیش‌بینی‌ها را بیشتر بهبود بخشند. محققان می گویند که با کار بیشتر، مدل آنها می تواند به نظارت بر سایر ویروس هایی که داده های ژنتیکی کافی دارند کمک کند.

“مقدار داده ای که ما در اختیار داریم، همراه با روش هایی که توسعه داده ایم، به ما امکان می دهد تا دیدی بی درنگ از ویروسی که در مکان های مختلف در سراسر جهان در حال تکامل است به گونه ای که در طول اپیدمی های قبلی امکان پذیر نبود، داشته باشیم. اوبرمایر گفت. “در سال 1917، مردم فقط می دانستند که آیا آنفولانزا دارند یا نه. اکنون، ما دید بسیار دقیقی از هزاران زیرشاخه مختلف SARS-CoV-2 داریم. این شگفت انگیز است.”


چرا بسیاری از انواع فرعی omicron مانند BA.4 و BA.5 وجود دارد؟ آیا دوباره مبتلا می شوم؟ آیا ویروس سریعتر جهش می یابد؟


اطلاعات بیشتر:
فریتز اوبرمایر و همکاران، تجزیه و تحلیل 6.4 میلیون ژنوم SARS-CoV-2 جهش های مرتبط با تناسب اندام را شناسایی می کند. علوم پایه (2022). DOI: 10.1126/science.abm1208

ارائه شده توسط موسسه Broad MIT و هاروارد

نقل قول: مدل رایانه ای انواع غالب SARS-CoV-2 را پیش بینی می کند (2022، 25 مه) در 25 مه 2022 از https://medicalxpress.com/news/2022-05-dominant-sars-cov-variants.html بازیابی شده است.

این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به غیر از هرگونه معامله منصفانه به منظور مطالعه یا تحقیق خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.