En nylig undersøgelse offentliggjort i PNAS Nexus har udnyttet kunstig intelligens (AI) til at udvikle en risikovurderingsmodel, der kan forudsige den fremtidige distributionsbane for nyopdagede varianter af det alvorlige akutte åndedrætssyndrom coronavirus 2 (SARS-CoV-2) ved hjælp af genomiske og epidemiologiske data. Denne tidlige påvisningsmetode baseret på AI kan have betydelige implikationer for pandemisk beredskab og respons.
Mens organisationer som Det Amerikanske Center for Sygdomskontrol og Forebyggelse (CDC) og Verdenssundhedsorganisationen (WHO) overvåger fremkomsten af nye SARS-CoV-2-varianter, er det udfordrende at identificere mutationer, der kan forårsage nye bølger af infektioner. Nuværende epidemiologiske modeller overser ofte de genetiske karakteristika ved mutante stammer, som er afgørende for at forstå deres potentielle indvirkning på infektionsforløbet.
Forskerne i denne undersøgelse analyserede ni millioner SARS-CoV-2 genomiske sekvenser fra 30 lande og søgte efter tidsmæssige mønstre af varianter, der var forbundet med store infektionsbølger. De indarbejdede data fra forskellige kilder, herunder Pango linjeagesystemet, Global Initiative on Sharing Avian Influenza Data (GISAID), COVID-19-tilfælde, vaccinationsrater og ikke-farmaceutiske interventioner.
Ved at anvende deres model på dataene opnåede forskerne lovende resultater. Efter en uges observation kunne modellen registrere 73% af de varianter, der ville føre til en COVID-19-bølge med over 1000 infektioner i de følgende tre måneder. Denne præstation steg til 80% med en to-ugers observationsperiode.
Undersøgelsen afslørede også, at spike-proteinet, nukleokapsidet (N) og non-strukturelle protein (NSP) af SARS-CoV-2-virussen havde flest mutationer. Derudover havde den oprindelige dominerende variant i hver bølge meget unikke mutationer sammenlignet med varianter fra den foregående bølge.
Disse resultater indikerer, at forudsigelsesmodellen udviklet i denne undersøgelse har potentialet til at forudsige fremkomsten af nye SARS-CoV-2-varianter. Ved at indarbejde genetiske variabler i deres modeller kan forskere forbedre præcisionen af forudsigelserne og bedre forstå, hvordan varianter udvikler sig for at inficere eller målrette tidligere immune personer. Overordnet set kan denne AI-baserede tilgang markant forbedre vores evne til at reagere på fremtidige bølger af pandemien.
The source of the article is from the blog oinegro.com.br