به گزارش تسریر به نقل از نیویورک تایمز، “کولین کارلسون”(Colin Carlson) زیست‌شناس دانشگاه جورج تاون آمریکا اخیرا نگرانی‌هایی در مورد بیماری آبله موش(mousepox) پیدا کرده است. این ویروس که در سال ۱۹۳۰ کشف شد، در بین موش‌ها پخش می‌شود و آنها را بسیار بی‌رحمانه می‌کشد. اما دانشمندان هرگز آن را یک تهدید بالقوه برای انسان در نظر نگرفته‌اند. اکنون دکتر کارلسون، همکارانش و رایانه‌هایشان چندان در این باره مطمئن نیستند و فکر می‌کنند شاید آبله موش برای انسان نیز خطرناک باشد.
محققان با استفاده از روشی به نام یادگیری ماشینی، چند سال گذشته را صرف برنامه‌نویسی برای رایانه‌ها کرده‌اند تا به آنها درباره ویروس‌هایی که می‌توانند سلول‌های انسان را آلوده کنند، آموزش دهند. رایانه‌ها اطلاعات زیادی در مورد زیست‌شناسی و بوم‌شناسی میزبان‌های حیوانی آن ویروس‌ها می‌دانند و ژنوم و سایر ویژگی‌های خود ویروس‌ها را نیز مورد بررسی قرار داده‌اند. با گذشت زمان، رایانه‌ها عوامل خاصی را شناسایی کردند که می‌توانند پیش‌بینی کنند که آیا یک ویروس پتانسیل سرایت به انسان را دارد یا خیر.
هنگامی که رایانه‌ها توانایی خود در مورد ویروس‌هایی که دانشمندان قبلا به شدت آنها را مطالعه کرده بودند ثابت کردند، دکتر کارلسون و همکارانش از آنها برای بررسی موارد ناشناخته استفاده کردند و در نهایت فهرست کوتاهی از ویروس‌های حیوانی با پتانسیل پرش از “مانع گونه‌ای”(species barrier) و ایجاد شیوع بیماری انسانی را ایجاد کردند. در آخرین آزمایش‌ها، الگوریتم‌ها به‌طور غیرمنتظره ویروس آبله موش را در رده‌های بالای پاتوژن‌های خطرناک قرار دادند.
دکتر کارلسون و همکارانش به جستجو و پیدا کردن موارد بیشتر پرداختند که ناگهان آنها با اسنادی از یک شیوع فراموش شده در سال ۱۹۸۷ در روستاهای چین مواجه شدند. طی شیوع یک بیماری دانش آموزان مدرسه‌ای در آنجا به عفونتی که باعث گلودرد و التهاب در دست‌ها و پاهایشان شده بود مبتلا شده بودند.
سال‌ها بعد، گروهی از دانشمندان آزمایش‌هایی را روی سواب‌های گلو که در طول شیوع آن بیماری جمع‌آوری و در انبار ذخیره شده بود، انجام دادند. این نمونه‌ها همانطور که محققان در سال ۲۰۱۲ گزارش کردند، حاوی دی.ان.ای آبله موش بودند. اما توجه چندانی به مطالعه آنها نشد و تا یک دهه بعد و هم اکنون نیز آبله موش همچنان برای انسان تهدیدی محسوب نمی‌شود.
اگر عملکرد رایانه برنامه‌ریزی شده توسط دکتر کارلسون و همکارانش درست باشد، این ویروس می‌بایست مجددا مورد بررسی قرار گیرد. دانشمندان حدود ۲۵۰ بیماری انسانی را شناسایی کرده‌اند که با جهش یک ویروس حیوانی از مانع گونه‌ای به وجود آمده‌اند. برای مثال اچ‌آی‌وی از شامپانزه‌ها شیوع پیدا کرد و منشا شیوع ویروس جدید کرونا نیز از خفاش‌ها بود.
در حالت ایده آل، دانشمندان دوست دارند ویروس همه گیر بعدی را قبل از اینکه شروع به آلوده کردن افراد کند، بشناسند. اما ویروس‌های حیوانی بسیار زیادی وجود دارد که ویروس شناسان باید آنها را مطالعه کنند. دانشمندان بیش از ۱۰۰۰ ویروس را در پستانداران شناسایی کرده‌اند، اما این به احتمال زیاد کسر کوچکی از تعداد واقعی آنچه که وجود دارد، است. برخی از محققان گمان می‌کنند که پستانداران حامل ده‌ها هزار ویروس هستند، در حالی که برخی دیگر این تعداد را صدها هزار می‌پندارند.
برای شناسایی عوامل جدید، محققانی مانند دکتر کارلسون از رایانه‌ها برای شناسایی الگوهای پنهان در داده‌های علمی استفاده می‌کنند. به عنوان مثال، این ماشین‌ها می‌توانند ویروس‌هایی را که به‌طور خاص ممکن است به بیماری‌های انسانی منجر شوند، شناسایی کنند و همچنین می‌توانند پیش‌بینی کنند که کدام حیوانات به احتمال زیاد حامل ویروس‌های خطرناکی هستند که ما هنوز درباره آنها اطلاعاتی نداریم.
“باربارا هان”(Barbara Han) بوم شناس بیماری‌ها در موسسه مطالعات اکوسیستم کری در میلبروک، نیویورک که با دکتر کارلسون همکاری می‌کند، گفت: به نظر می‌رسد که شما یک مجموعه چشم جدید دارید. “شما نمی‌توانید به همان اندازه که یک مدل می‌تواند ابعاد را ببینید.
دکتر هان برای اولین بار در سال ۲۰۱۰ با یادگیری ماشینی آشنا شد. دانشمندان کامپیوتر چندین دهه در حال توسعه این تکنیک بودند و شروع به ساخت ابزارهای قدرتمند با آن کردند. این روزها، یادگیری ماشینی رایانه‌ها را قادر می‌سازد تا برخی موارد تقلبی را شناسایی کرده و چهره افراد را نیز تشخیص دهند.
اما تعداد کمی از محققان از یادگیری ماشینی برای بیماری‌ها استفاده کرده بودند. دکتر هان فکر کرد که آیا می‌تواند از آن برای پاسخ دادن به سؤالات بازی مانند اینکه چرا کمتر از ۱۰ درصد از گونه‌های جوندگان دارای پاتوژن‌های شناخته شده برای آلوده کردن انسان هستند، استفاده کند یا خیر. او اطلاعات مربوط به گونه‌های مختلف جوندگان را از یک پایگاه داده آنلاین به رایانه‌ای متقل کرد. سپس رایانه به دنبال ویژگی‌های جوندگانی گشت که تعداد زیادی از پاتوژن‌های جهش یافته گونه‌ها را در خود جای داده بودند.
هنگامی که رایانه یک مدل را ایجاد کرد، او آن را بر روی گروه دیگری از گونه‌های جوندگان آزمایش و مشاهده کرد که چقدر می‌تواند حدس بزند که کدام یک مملو از عوامل بیماری زا هستند. در نهایت دقت مدل کامپیوتر به ۹۰ درصد رسید.
سپس دکتر هان به بررسی جوندگانی پرداخت که هنوز درباره پاتوژن‌های عامل بیماری آنها اطلاعی نداشت و سپس فهرستی از گونه‌های با اولویت بالا در شیوع بیماری را تهیه کرد. دکتر هان و همکارانش پیش‌بینی کردند که گونه‌هایی مانند ول کوهی(Microtus montanus) و موش ملخ‌خوار شمالی از غرب آمریکای شمالی احتمالا حامل پاتوژن‌های نگران‌کننده هستند.
از بین تمام صفاتی که دکتر هان و همکارانش به رایانه خود ارائه دادند، یکی از مواردی که بیش از همه مهم بود طول عمر جوندگان بود. گونه‌هایی که در جوانی می‌میرند، حامل پاتوژن‌های بیشتری هستند، علت این امر نیز شاید به این دلیل است که تکامل منابع بیشتری از آنها را به جای ایجاد یک سیستم ایمی قوی، برای تولید مثل به کار می‌برد.
این نتایج شامل سال‌ها تحقیق پر زحمت بود که در آن دکتر هان و همکارانش پایگاه‌های اطلاعاتی زیست‌محیطی و مطالعات علمی را به دنبال داده‌های مفید جستجو کردند. اخیرا، محققان این کار را با ساختن پایگاه‌های اطلاعاتی که به صراحت برای آموزش رایانه‌ها درباره ویروس‌ها و میزبان‌های آنها طراحی شده‌اند، سرعت بخشیده‌اند.
به عنوان مثال در ماه مارس دکتر کارلسون و همکارانش از یک پایگاه داده دسترسی آزاد به نام “VIRION” رونمایی کردند. در این پایگاه داده نیم میلیون اطلاعات در مورد ۹۵۲۱ ویروس و ۳۶۹۲ میزبان حیوانی آنها جمع‌آوری شده است. اطلاعات آن نیز همچنان در حال افزایش است.
پایگاه‌های داده‌ای مانند VIRION اکنون امکان پرسیدن سوالات متمرکزتر در مورد همه‌گیری‌های جدید را فراهم می‌کند. زمانی که همه گیری کووید شیوع پیدا کرد، سریع مشخص شد که ویروس جدیدی به نام کروناویروس سندرم حاد تنفسی ۲ باعث ایجاد آن شده است. دکتر کارلسون، دکتر هان و همکارانشان برنامه‌هایی را برای شناسایی حیواناتی که به احتمال زیاد پناهگاه کروناویروس جدید هستند ایجاد کردند.
کروناویروس سندرم حاد تنفسی ۲ متعلق به گروهی از گونه‌ها به نام بتاکروناویروس‌ها(betacoronaviruses) است که شامل ویروس‌هایی است که باعث همه‌گیری سارس و مرس در بین انسان‌ها شده‌اند. در بیشتر موارد، بتاکروناویروس‌ها خفاش‌ها را آلوده می‌کنند. زمانی که کروناویروس سندرم حاد تنفسی ۲ در ژانویه ۲۰۲۰ کشف شد، ۷۹ گونه خفاش حامل آنها شناخته شدند. اما دانشمندان به طور سیستماتیک تمام ۱۴۴۷ گونه خفاش را برای بررسی بتاکروناویروس جستجو نکرده‌اند و تکمیل چنین پروژه‌ای سال‌ها طول می‌کشد.
دکتر کارلسون، دکتر هان و همکارانشان با ارائه داده‌های بیولوژیکی در مورد انواع مختلف خفاش‌ها و رژیم غذایی آنها، طول بال‌هایشان و غیره در رایانه‌شان مدلی را ایجاد کردند که می‌تواند پیش‌بینی‌هایی درباره خفاش‌های حامل ویروس ارائه دهد. آنها بیش از ۳۰۰ گونه را پیدا کردند که با این شرایط سازگار بود.
از آن پیش‌بینی در سال ۲۰۲۰، محققان در واقع بتاکروناویروس‌ها را در ۴۷ گونه خفاش پیدا کرده‌اند که همه آنها در فهرست‌های پیش‌بینی ایجاد شده توسط برخی از مدل‌های رایانه‌ای که برای مطالعه خود ساخته بودند، قرار داشتند.
“دنیل بکر”(Daniel Becker) بوم شناس بیماری در دانشگاه اوکلاهاما که همچنین روی مطالعه بتاکرونا ویروس مطالعه می‌کرد، گفت اینکه ویژگی‌های ساده مانند اندازه بدن می‌تواند منجر به پیش بینی‌های قدرتمند در مورد ویروس‌ها شود، شگفت انگیز است.
دکتر “پراناو پاندیت”(Pranav Pandit) همه‌گیر شناس دانشگاه کالیفرنیا در دیویس، هشدار داد که این مدل‌ها بسیار در حال پیشرفت هستند. وقتی روی ویروس‌هایی که به خوبی مطالعه شده‌اند آزمایش شوند، به طور قابل‌توجهی بهتر از مواقع تصادفی عمل می‌کنند.
او گفت: در مرحله‌ای نیستیم که بتوانیم به آن نتایج تکیه کنیم و هشداری دهیم و به دنیا بگوییم این یک ویروس مشترک بین انسان و دام است.
“ناردوس مولنتز”(Nardus Mollentze ) ویروس شناس محاسباتی در دانشگاه گلاسگو و همکارانش روشی را ایجاد کرده‌اند که می‌تواند دقت مدل‌ها را به طور قابل توجهی افزایش دهد. مدل‌های آنها به جای نگاه کردن به میزبان‌های ویروس، به ژن‌های آن نگاه می‌کند. می‌توان به رایانه آموزش داد که ویژگی‌های ظریف ژن‌های ویروس‌هایی را که می‌توانند انسان را آلوده کنند، تشخیص دهد.
دکتر مولنتز و همکارانش در اولین گزارش خود در مورد این تکنیک، مدلی را توسعه دادند که می‌توانست ویروس‌های آلوده کننده انسان را به درستی در بیش از ۷۰ درصد مواقع تشخیص دهد. به گفته او سلول‌های ما می‌توانند ژن‌های خارجی را تشخیص دهند و زنگ خطر را به سیستم ایمنی بدن ارسال کنند. ویروس‌هایی که می‌توانند سلول‌های ما را آلوده کنند ممکن است توانایی تقلید دی.ان.ای خود را به عنوان نوعی استتار ویروسی داشته باشند. هنگامی که آنها این مدل را برای ویروس‌های حیوانی به کار بردند، فهرستی از ۲۷۲ گونه در معرض خطر بالای همه گیری را ایجاد کردند.
“امی د ویت”(Emmie de Wit) ویروس شناس آزمایشگاه Rocky Mountain در همیلتن مونتانا که بر تحقیقات بر روی ویروس کرونا جدید، آنفلوآنزا و سایر ویروس‌ها نظارت می‌کند، گفت که او و همکارانش باید راهی برای شناسایی بدترین ژنها در میان ویروس‌های حیوانی بیابند.
دکتر مولنتز برای پیگیری مطالعه اولیه خود با دکتر کارلسون و همکارانش برای ادغام داده‌های مربوط به ژن‌های ویروس‌ها با داده‌های مربوط به زیست‌شناسی و بوم‌شناسی میزبان‌ها کار می‌کند. محققان نتایج امیدوارکننده‌ای از این رویکرد به دست آورده‌اند.
انواع دیگر داده‌ها ممکن است پیش بینی‌ها را حتی بهتر کنند. به عنوان مثال یکی از مهم‌ترین ویژگی‌های ویروس، پوشش مولکول‌های قند روی سطح آن است. ویروس‌های مختلف در نهایت با الگوهای متفاوتی از مولکول‌های قند ایجاد می‌شوند و این ترتیب می‌تواند تاثیر زیادی بر موفقیت آنها داشته باشد. برخی از ویروس‌ها می‌توانند از این روکش مولکولی برای پنهان شدن از سیستم ایمنی میزبان خود استفاده کنند. در موارد دیگر، ویروس می‌تواند از مولکول‌های قند خود برای اتصال به سلول‌های جدید استفاده کند و باعث ایجاد عفونت جدید شود.
در این ماه، دکتر کارلسون و همکارانش مطالعه‌ای را به صورت آنلاین منتشر کردند که در آن تاکید کردند که یادگیری ماشینی ممکن است بینش‌های زیادی از پوشش قندی ویروس‌ها و میزبان‌های آنها به دست آورد. دکتر کارلسون گفت: حس اصلی من این است که ما خیلی بیشتر از آنچه فکر می‌کنیم اطلاعات داریم.
او خاطرنشان کرد که مدل‌ها تاکنون عمدتا بر روی پتانسیل یک پاتوژن برای آلوده کردن سلول‌های انسانی تمرکز کرده‌اند. قبل از ایجاد یک بیماری جدید انسانی، یک ویروس نیز باید از فردی به فرد دیگر سرایت کند و در طول مسیر علائم جدی ایجاد کند. او منتظر نسل جدیدی از مدل‌های یادگیری ماشینی است که بتواند آن پیش‌بینی‌ها را نیز انجام دهد.
او گفت: آنچه ما واقعا می‌خواهیم بدانیم لزوما این نیست که کدام ویروس می‌تواند انسان را آلوده کند، بلکه این است که کدام ویروس می‌تواند باعث شیوع بیماری شود. بنابراین این واقعا گام مهم بعدی است که ما باید آن را کشف کنیم.
