Исследователи используют алгоритмы машинного обучения в новом подходе к поиску будущих угроз зоонозных вирусов.
Большинство новых инфекционных заболеваний, угрожающих человеку, включая коронавирусы, являются зоонозными, то есть возникают у других видов животных. По мере роста численности населения и урбанизации встречи с животными, являющимися носителями потенциально опасных заболеваний, становятся все более вероятными. Поэтому выявление этих вирусов на ранней стадии становится жизненно важным. В новом исследовании, опубликованном вчера в журнале PLOS Biology, группа ученых из Университета Глазго (Великобритания) предложила новый способ проведения подобной вирусной детективной работы, используя машинное обучение для прогнозирования вероятности передачи вируса человеку.
По словам исследователей, основным камнем преткновения для понимания зоонозных заболеваний является то, что ученые склонны отдавать предпочтение известным семействам зоонозных вирусов, основываясь на их общих чертах. Это означает, что потенциально существует огромное количество вирусов, не связанных с известными зоонозными заболеваниями, которые не были обнаружены или недостаточно хорошо известны, но которые могут обладать зоонозным потенциалом - способностью совершить видовой скачок. Для того чтобы преодолеть эту проблему, специалисты разработали алгоритм машинного обучения, который позволяет сделать вывод о зоонозном потенциале вируса на основе одной лишь последовательности его генома, определяя характеристики, которые связывают его с человеком, а не рассматривая таксономические отношения между изучаемым вирусом и существующими зоонозными вирусами.
Исследователи обнаружили, что вирусные геномы могут иметь общие характеристики, которые позволяют им инфицировать человека, но не обязательно таксономически тесно связаны с другими вирусами, инфицирующими человека. По их словам, такой подход может открыть новые возможности для поиска вирусов.
"Выделяя вирусы с наибольшим потенциалом стать зоонозными, ранжирование на основе генома позволяет более эффективно направлять дальнейшие экологические и вирусологические исследования", - пишут авторы.
"Эти результаты добавляют важную часть к уже имеющемуся огромному количеству информации, которую мы можем извлечь из генетических сиквенсов вирусов с помощью методов искусственного интеллекта", - говорит соавтор работы Саймон Бабаян.
Nardus Mollentze et al. Идентификация и определение приоритетности потенциальных вирусов, инфицирующих человека, на основе их геномных последовательностей (аннотация).
Определение того, какие вирусы животных могут быть способны заразить человека, на момент их обнаружения является трудновыполнимой задачей, что не позволяет определить приоритетные вирусы высокого риска для раннего расследования и подготовки к вспышкам. Учитывая растущее использование геномики для обнаружения вирусов и скудные знания о биологии недавно открытых вирусов, мы разработали модели машинного обучения, позволяющие выявлять кандидаты в зоонозы исключительно по признакам ареала обитания хозяина, закодированным в вирусных геномах. В базе данных из 861 вида вирусов с известным зоонозным статусом наш подход превзошел модели, основанные на филогенетическом родстве вирусов с известными вирусами, инфицирующими человека (площадь под кривой операционной характеристики приемника [AUC] = 0,773), выделяя вирусы высокого риска в семействах, которые содержат меньшинство видов, инфицирующих человека, и выявляя условно необнаруженные или до сих пор неизвестные зоонозы.
Анализ модели позволил предположить существование обобщающих особенностей вирусных геномов, которые не зависят от таксономических отношений вирусов и которые могут преадаптировать вирусы к инфицированию человека. Наша модель сократила группу из 645 вирусов, связанных с животными, которые были исключены из анализа, до 272 кандидатов в зоонозы с высоким и 41 с очень высоким риском и показала значительно повышенный зоонозный риск у вирусов от приматов, но не от других групп млекопитающих или птичьих хозяев. Вторая прикладная программа показала, что наши модели могли определить коронавирус тяжелого острого респираторного синдрома 2 (SARS-CoV-2) как штамм коронавируса с относительно высоким риском, и что это предсказание не требует предварительных знаний о зоонозных коронавирусах, связанных с тяжелым острым респираторным синдромом (SARS).
Таким образом, мы построили геномную модель, которая может ретроспективно или перспективно предсказать вероятность того, что вирусы смогут инфицировать человека. Для успеха наших моделей требовались аспекты состава генома, рассчитанные как непосредственно по вирусным геномам, так и в единицах сходства с транскриптами человека, и некоторые вирусы были предсказаны как зоонозные из-за общих геномных признаков, несмотря на древнюю эволюционную дивергенцию. Это подчеркивает потенциальное существование неизвестных в настоящее время фенотипических последствий вирусного геномного кода, которые, по-видимому, влияют на ареал обитания вирусов в различных семействах вирусов. Независимо от задействованных алгоритмов, эффективность наших моделей показывает, как все более распространенные и недорогие данные о последовательности генома могут помочь в принятии решений о приоритетах исследования и эпиднадзора за вирусами на самой ранней стадии их обнаружения практически без дополнительных финансовых и временных затрат.
