پیشبینی همه گیری بعدی با هوش مصنوعی جدید
به گزارش آتی جو، دانشمندان یک سیستم هوش مصنوعی را توسعه داده اند که ما را از همه گیری بعدی آگاه می کند. این سیستم با استفاده از فناوری یادگیری ماشینی می تواند به ما در مورد ظهور انواع خطرناک ویروس ها در آینده اخطار دهد و همینطور به ما اجازه دهد تا از قبل برای آن آماده شویم.
به گزارش آتی جو به نقل از ایسنا و به نقل از آی ای، همه ما می دانیم که همه گیری کووید-۱۹ چقدر ویرانگر بود و اگر تلاش دانشمندان و کارکنان بهداشت در سراسر دنیا نبود، می توانست بدتر از این هم بشود. اما چه می شود اگر بتوانیم از خطرناک ترین گونه های بعدی ویروس ها را پیش از تبدیل شدن به یک تهدید بزرگ جهانی آگاه شویم؟
حالا یک سیستم هوش مصنوعی جدید می تواند این کار را انجام دهد. بر مبنای مطالعه دانشمندان موسسه پژوهش اسکریپس و دانشگاه نورث وسترن در ایالات متحده، این سیستم معروف به EWAD می تواند به ما در مورد ظهور انواع خطرناک ویروس ها در همه گیری های آینده اخطار دهد.
سیستم EWAD
این سیستم که اخطار اولیه تشخیص ناهنجاری(EWAD) نام دارد، از فناوری یادگیری ماشینی برای تحلیل و بررسی توالی های ژنتیکی، تناوب ها و میزان مرگ و میر بر اثر انواع ویروس ها در سراسر دنیا استفاده می نماید.
پژوهشگران EWAD را بر روی داده های واقعی از همه گیری کووید-۱۹ آزمایش کردند و دریافتند که می تواند به صورت دقیق پیش بینی نماید که کدام گونه های نگران کننده در هنگام جهش ویروس ایجاد می شوند.
این سیستم همینطور می تواند تخمین بزند که اقدامات بهداشت عمومی مانند واکسن ها و پوشیدن ماسک چگونه بر تکامل ویروس تاثیر می گذارد.
این مطالعه که در مجله Cell Patterns انتشار یافته است، نشان داده است که EWAD می تواند به ما کمک نماید تا با شناسایی تهدیدهای بالقوه پیش از تعیین و تایید رسمی توسط سازمان بهداشت جهانی(WHO) برای مقابله با شیوع های آینده آماده شویم و به آنها واکنش نشان دهیم.
ویلیام بالچ، میکروبیولوژیست در موسسه پژوهشی اسکریپس و یکی از نویسندگان اصلی این مطالعه می گوید: می توانیم انواع ژن های کلیدی را ببینیم که ظاهر می شوند و بیشتر می شوند، چونکه میزان مرگ و میر هم تغییر می کند و همه اینها هفته ها پیش از تعیین رسمی گونه های نگران کننده توسط سازمان بهداشت جهانی اتفاق می افتد.
این سیستم هوش مصنوعی از یک روش ریاضی به نام کوواریانس فضایی مبتنی بر فرایند گاوسی(Gaussian process-based spatial covariance) استفاده می نماید که می تواند داده های جدید را بر مبنای داده های موجود و روابط آنها پیش بینی نماید.
این سیستم همینطور می تواند الگوها و قوانین تکامل ویروس را که در غیر این صورت در حجم وسیعی از داده ها پنهان می شوند، شناسایی کند.
درس های آموخته شده
بالچ می گوید: یکی از درسهای بزرگ این کار اینست که مهم می باشد که نه تنها چند نوع برجسته، بلکه ده ها هزار نوع دیگر تعیین نشده که ما آنها را «نوعی ماده تاریک» می نامیم، در نظر بگیریم.
پژوهشگران می گویند که سیستم آنها همینطور می تواند به ما کمک نماید تا در مورد بیولوژی اولیه ویروس ها و نحوه سازگاری آنها با محیط های مختلف بیشتر بدانیم. این می تواند به درمان ها و استراتژی های پیشگیری بهتر برای بیماری های ویروسی منجر شود.
بن کالوِرلی، ریاضی شناس در موسسه پژوهشی اسکریپس و یکی دیگر از نویسندگان اصلی این مطالعه می گوید: این سیستم و روش های فنی زیربنایی آن کاربردهای احتمالی زیادی در آینده دارند.
این مطالعه در مجله Cell Patterns انتشار یافته است.
منبع: atijoo.ir
این مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب