Wie können wir Tierpopulationen, die Reservoire neuer zoonotischer Viren sind, also Viren, die auf den Menschen übertragbar sind, optimal identifizieren und bekämpfen?
Ein internationales Forschungsteam aus Künstlicher Intelligenz und Biologie arbeitet seit Beginn der durch SARS-CoV-2 verursachten COVID-19-Pandemie daran, maschinelle Lernmodelle zu erstellen, um die Genauigkeit von acht statistischen Modellen in ihrer Fähigkeit zu überprüfen, welches Tier vorherzusagen ist Arten fungieren als Wirte für Viren der Gattung Betacoronavirus.
Die Ergebnisse dieser Arbeit, die von Professor Timothy Boisseau vom Department of Biological Sciences der Universität Montreal mitverfasst wurde, wurden in der renommierten Zeitschrift veröffentlicht. Lanzettenmikrobe.
„Statistische Modelle können verwendet werden, um die Priorisierung der Probenahme von Tiergruppen zu steuern, die möglicherweise als Wirte dienen, aber Vorhersagen aus diesen Modellen können sehr unsicher sein und eine systematische Validierung ist rar, sodass ihre Leistung auf dem Prüfstand steht“, betont Poisot.
Die Probenahme von Tierpopulationen im Feld, um festzustellen, ob sie als Wirte dienen, ist teuer. Um den Behörden bei der Priorisierung von Probenahmestellen zu helfen, erstellten die Forscher eine Reihe von acht statistischen Modellen, die Wirtsvirus-Assoziationen in Fledermäusen auf der ganzen Welt vorhersagen und sie durch maschinelle Lernmodelle laufen lassen.
Die Idee war, die Genauigkeit statistischer Modellvorhersagen systematisch zu überprüfen.
Zwei große Modellfamilien
Seit mehr als einem Jahr verfolgt das Team die Entdeckung von 40 neuen Fledermausarten, die Träger des Betacoronavirus sind, und hilft dabei, die Vorhersagen der Prototypen zu validieren, indem es sie aktualisiert, sobald neue Daten verfügbar werden.
„Wir stellten zunächst zu unserem Erstaunen fest, dass die Modelle nicht miteinander übereinstimmten und alle einige Verzerrungen aufwiesen, wie Timothy Boyzo behauptet.“ Als nächstes stellten wir fest, dass die statistischen Modelle statt einer Randomisierung in zwei große Familien aufgeteilt wurden , diejenigen, die auf Interaktionen oder Netzwerken basieren, die von gut bis schlecht reichen, und diejenigen, die auf den Eigenschaften von Fledermausarten basieren, machen gute Vorhersagen.
Um ein zuverlässigeres Vorhersagemodell zu erstellen, „bereinigte“ das Forschungsteam die Modelle und kombinierte sie dann zu dem Ensemble-Modell. Ein Jahr später konnte das Modell weltweit mehr als 400 Fledermausarten identifizieren, die unerkannte Wirte für das Betacoron-Virus sein könnten.
Epidemiologische Risikokarte
„Obwohl es 20 Arten von Hufeisennasen gibt [Rhinolophus spp.] Es ist bekannt, dass es das Hauptreservoir von SARS-ähnlichen Viren ist, und wir fanden heraus, dass mindestens drei Viertel der vernünftigen Reservoirs des Betacoron-Virus unter diesen Fledermäusen unentdeckt bleiben könnten“, kommentiert Professor Boiso.
Dieses Sammlungsmodell wird ständig aktualisiert und bietet Listen von Fledermausarten – und ihren Habitaten – um die Überwachung durch Stichproben zu priorisieren. Sie wird es schließlich ermöglichen, epidemiologische Risiken zu kartieren, indem sie sich auf diese Listen mit Karten von menschlichen Populationen bezieht, die in der Nähe von Lebensräumen leben, in denen zoonotische Krankheiten schlüpfen können.
Timothée Poisot kommt zu dem Schluss: „Unsere Studie ist die erste, die durch systematische Verifizierung zeigt, dass Modelle des maschinellen Lernens kombiniert werden können, um die Probenahme von Wildtieren für unentdeckte Viren zu verbessern.“ Es zeigt, wie diese Methoden am besten durch einen dynamischen Prozess der Prognose, Datenerfassung, Validierung und Aktualisierung implementiert werden. “
Verschiedene Forschungsprojekte werden in diesem Sinne fortgesetzt, insbesondere durch die Erhöhung der Vielfalt der Datenquellen zu allen Säugetieren. Ziel ist es, einen Atlas der Säugetiervirome zu erstellen.
Die Arbeit eines Mönchs!
Um zuverlässige Modelle für maschinelles Lernen zu erstellen, musste das Forschungsteam Daten koordinieren, die von mehreren Virenüberwachungssystemen auf der ganzen Welt stammten.
Und so leisteten im März und April 2020 UdeM-Masterstudierende der Quantitativen Biologie und Informatik klösterliche Arbeit, um die Namen von Fledermausarten zu korrigieren, die in einem Excel-Dokument mit … 43.000 Zeilen angegeben wurden!