مدل رایانه‌ای می‌تواند به پروژه شدت نوع بعدی کووید – ScienceDaily کمک کند

داده های ژنتیکی و بیمار از پایگاه داده GISAID – بزرگترین مجموعه اطلاعاتی در مورد افرادی که به ویروس کرونا آلوده شده اند – برای آموزش این الگوریتم استفاده شد. هنگامی که الگوریتم‌ها آماده شدند، تیم از آنها برای پیش‌بینی زیرمتغیرهای Omicron پس از BA.1 و BA.2 استفاده کرد.

“وقتی دنباله ای را دریافت می کنیم، می توانیم قبل از اینکه آزمایشگاه ها آزمایش هایی با مدل های حیوانی یا کشت سلولی انجام دهند، یا قبل از اینکه تعداد کافی افراد بیمار شوند تا بتوان داده های اپیدمیولوژیک را جمع آوری کرد، خطر ابتلا به بیماری شدید را از یک نوع دیگر پیش بینی کنیم. به عبارت دیگر، مدل ما سخنسنج گفت: بیشتر شبیه یک سیستم هشدار اولیه برای انواع در حال ظهور است.

سخنسنج گفت: «ما نشان می‌دهیم که زیر متغیرهای Omicron در آینده بیشتر باعث ایجاد بیماری شدیدتر می‌شوند. “البته، در دنیای واقعی، این افزایش شدت بیماری با عفونت قبلی توسط انواع قبلی Omicron کاهش می یابد – این عامل همچنین در مدل سازی منعکس می شود.”

تا به حال، دانشمندان عمدتاً از توالی ژنتیکی برای شناسایی بهتر جهش ها در کنار آزمایش های آزمایشگاهی و مطالعات اپیدمیولوژیک استفاده می کردند. موفقیت کمی در پیوند دادن تغییرات توالی ژنتیکی خاص به ویروسی بودن انواع جدید وجود داشته است. محققان Drexel معتقدند که این به دلیل تغییرات پیشرونده در واکسیناسیون و ایمنی در طول زمان و همچنین تغییرات در نحوه گزارش داده ها در کشورهای مختلف است.

“ما می دانیم که تا کنون هر نوع کووید-19 متوالی به عفونت های خفیف تر منجر شده است زیرا واکسیناسیون، ایمنی و ارائه دهندگان مراقبت های بهداشتی درک بهتری از نحوه درمان عفونت ها دارند. اما آنچه ما از طریق تجزیه و تحلیل اثرات مختلط خود کشف کرده ایم این است که سخنسنج گفت که این روند لزوماً برای هر کشوری برقرار نیست. به همین دلیل است که مدل ما موقعیت جغرافیایی را به عنوان یکی از متغیرهای مورد توجه الگوریتم یادگیری ماشین در نظر می‌گیرد.

او گفت: «برخی تخمین‌ها نشان می‌دهند که SARS-CoV-2 تنها 30 تا 40 درصد از فضای بالقوه برای جهش‌های سنبله را «کاوش» کرده است. “وقتی در نظر می گیریم که هر جهش می تواند بر ویژگی های کلیدی ویروس مانند حدت و فرار سیستم ایمنی تاثیر بگذارد، به نظر می رسد که بتوان به سرعت این تغییرات را شناسایی کرد و معنی آنها را برای افرادی که در برابر عفونت آسیب پذیر هستند، درک کرد.”

با گذشت بیش از دو سال از همه‌گیری، دانشمندان و مقامات بهداشت عمومی تمام تلاش خود را می‌کنند تا پیش‌بینی کنند که چگونه جهش‌های ویروس SARS-CoV-2 احتمالاً باعث انتقال بیشتر، فرار به سیستم ایمنی و احتمال ایجاد عفونت‌های شدید می‌شود. اما جمع‌آوری و تجزیه و تحلیل داده‌های ژنتیکی برای شناسایی انواع جدید – و پیوند دادن آن به بیماران خاصی که توسط آن بیمار شده‌اند – هنوز یک فرآیند دشوار است.

این الگوها را با الگوهایی که از مطالعه جداگانه فراداده های بیمار (سن و جنس) و نتایج پزشکی (موارد خفیف، بستری شدن در بیمارستان، مرگ) به دست می آورد، لایه بندی می کند. این الگوریتم همچنین تعصبات ناشی از نحوه جمع‌آوری داده‌ها را در کشورهای مختلف بررسی می‌کند و سعی در حذف آن دارد. این فرآیند آموزشی نه تنها به برنامه اجازه می‌دهد تا پیش‌بینی‌هایی را که قبلاً در مورد نوع موجود انجام داده است تأیید کند، بلکه مدل را برای پیش‌بینی در هنگام مواجهه با جهش‌های جدید در پروتئین اسپایک نیز آماده می‌کند. این پیش بینی ها را به صورت طیفی از شدت نشان می دهد – از موارد خفیف تا بستری شدن در بیمارستان و مرگ – بسته به سن یا جنسیت بیمار.

گفت: “سرعتی که انواع جدیدی مانند Omicron به سراسر جهان راه یافته اند به این معنی است که تا زمانی که مقامات بهداشت عمومی کنترل خوبی در مورد آسیب پذیری جمعیت خود داشته باشند، ویروس از قبل وارد شده است.” دکتر بهراد سخنسنجاستادیار پژوهشی در کالج مهندسی Drexel که توسعه مدل کامپیوتری را رهبری کرد. ما در تلاش هستیم تا یک سیستم هشدار اولیه به آنها بدهیم – مانند مدل‌سازی پیشرفته آب و هوا برای هواشناسان – تا بتوانند به سرعت پیش‌بینی کنند که نوع جدید چقدر خطرناک است – و بر اساس آن آماده شوند.

Matthew Newman

Matthew Newman Matthew has over 15 years of experience in database management and software development, with a strong focus on full-stack web applications. He specializes in Django and Vue.js with expertise deploying to both server and serverless environments on AWS. He also works with relational databases and large datasets

View all posts by Matthew Newman →