Ένα βακτήριο άγνωστο μέχρι σήμερα μπορεί να κρύβεται στα λύματα, να περνά απαρατήρητο από τις υπάρχουσες μεθόδους ανίχνευσης και, ενδεχομένως, να διαθέτει ήδη τα χαρακτηριστικά που θα του επέτρεπαν να προκαλέσει ασθένεια στον άνθρωπο. Σε μια εποχή που οι επιστήμονες βρίσκονται αντιμέτωποι με την εμφάνιση νέων μικροοργανισμών, ο εντοπισμός μιας πιθανής απειλής πριν αυτή γίνει γνωστή αποκτά κρίσιμη σημασία για τη δημόσια υγεία.
Μέχρι σήμερα, η αναγνώριση επικίνδυνων βακτηρίων βασιζόταν σε μεγάλο βαθμό στη σύγκρισή τους με ήδη γνωστά παθογόνα. Τι συμβαίνει, όμως, όταν ένας μικροοργανισμός δεν έχει κανέναν γνωστό «συγγενή» στις επιστημονικές βάσεις δεδομένων; Ένα νέο εργαλείο τεχνητής νοημοσύνης επιχειρεί να δώσει απάντηση σε αυτό το ερώτημα. Ονομάζεται PathogenFinder2 και αξιοποιεί την τεχνητή νοημοσύνη για να «διαβάσει» τη γλώσσα των βακτηριακών πρωτεϊνών. Αναλύοντας το σύνολο των πρωτεϊνών κάθε μικροοργανισμού, εξετάζει αν ο συνδυασμός των χαρακτηριστικών τους συνδέεται με πιθανή ικανότητα πρόκλησης λοίμωξης στον άνθρωπο.
Το εν λόγω εργαλείο θα μπορούσε να ενισχύσει την επιτήρηση πιθανών απειλών, σε μια περίοδο κατά την οποία η κλιματική αλλαγή, η αποψίλωση των δασών και η αύξηση του παγκόσμιου εμπορίου, φέρνουν τους ανθρώπους σε επαφή με ολοένα περισσότερους μικροοργανισμούς.
Πώς λειτουργεί το PathogenFinder2
Το PathogenFinder2 αναπτύχθηκε από ερευνητές του Τεχνικού Πανεπιστημίου της Δανίας, του Τεχνικού Πανεπιστημίου του Μονάχου και της φαρμακευτικής εταιρείας Bristol Myers Squibb. Η μελέτη τους δημοσιεύθηκε στο επιστημονικό περιοδικό «Bioinformatics».
Η λειτουργία του συστήματος βασίζεται στην ανάλυση των πρωτεϊνών που μπορεί να παράγει ένα βακτήριο σύμφωνα με τις γενετικές του πληροφορίες. Αρχικά, το εργαλείο προβλέπει ποιες πρωτεΐνες αντιστοιχούν στο βακτηριακό γονιδίωμα. Στη συνέχεια, μετατρέπει καθεμία από αυτές σε μια αριθμητική αναπαράσταση, αξιοποιώντας το σύστημα τεχνητής νοημοσύνης ProtT5, το οποίο έχει σχεδιαστεί για την ανάλυση της δομής και της λειτουργίας των πρωτεϊνών.
Τα επιμέρους δεδομένα συνδυάζονται και αναλύονται από ένα μοντέλο βαθιάς μάθησης (deep learning), το οποίο αναζητά μοτίβα στο συνολικό πρωτεϊνικό προφίλ του μικροοργανισμού. Η προσέγγιση αυτή έχει ιδιαίτερη σημασία, καθώς η ικανότητα ενός βακτηρίου να προκαλεί ασθένεια δεν εξαρτάται απαραίτητα από ένα μεμονωμένο γονίδιο. Συνήθως προκύπτει από τη συνεργασία πολλών πρωτεϊνών: ορισμένες βοηθούν το βακτήριο να προσκολλάται στους ανθρώπινους ιστούς, άλλες να αποφεύγει την άμυνα του ανοσοποιητικού συστήματος, ενώ κάποιες συνδέονται με την παραγωγή τοξινών.
Έτσι, σε αντίθεση με παλαιότερα εργαλεία που αναζητούν γνωστά γονίδια παθογόνων μικροοργανισμών, το PathogenFinder2 επιχειρεί να αναγνωρίσει ευρύτερα βιολογικά μοτίβα. Αυτό του επιτρέπει να εξετάζει και βακτήρια που δεν έχουν στενούς συγγενείς στις υπάρχουσες βάσεις δεδομένων.
Εκπαίδευση σε περισσότερα από 21.000 βακτηριακά γονιδιώματα
Για την εκπαίδευση του μοντέλου, οι ερευνητές συγκέντρωσαν 16.297 γονιδιώματα βακτηρίων που είναι γνωστό ότι προκαλούν λοιμώξεις στον άνθρωπο και 4.882 γονιδιώματα μικροοργανισμών που θεωρούνται ακίνδυνοι. Η δεύτερη κατηγορία περιλάμβανε, μεταξύ άλλων, βακτήρια της φυσιολογικής μικροβιακής κοινότητας του εντέρου υγιών ανθρώπων, μικροοργανισμούς που χρησιμοποιούνται στην παραγωγή τροφίμων ζύμωσης, όπως το τυρί και το κεφίρ, αλλά και βακτήρια από ακραία περιβάλλοντα, όπως οι θερμές πηγές και οι υποθαλάσσιες υδροθερμικές πηγές.
Οι ερευνητές φρόντισαν επίσης να διαχωρίσουν αυστηρά τα δεδομένα εκπαίδευσης από εκείνα που χρησιμοποιήθηκαν για την αξιολόγηση του εργαλείου. Συγκεκριμένα, κανένα βακτηριακό είδος από το σύνολο ελέγχου δεν υπήρχε στα δεδομένα εκπαίδευσης. Με αυτόν τον τρόπο επιχείρησαν να διαπιστώσουν αν το σύστημα μπορεί πράγματι να αναγνωρίζει άγνωστους μικροοργανισμούς και όχι απλώς να ανακαλεί πληροφορίες που έχει ήδη επεξεργαστεί.
Σε δοκιμή με 4.286 γονιδιώματα ειδών που απουσίαζαν από τα δεδομένα εκπαίδευσης, το PathogenFinder2 ξεπέρασε άλλα εργαλεία, μεταξύ των οποίων τα: BacPacs, WSPC και DeePac, καθώς και μια επανεκπαιδευμένη έκδοση του αρχικού PathogenFinder.
Μια τεχνητή νοημοσύνη που εξηγεί τις προβλέψεις της
Ένα ακόμη χαρακτηριστικό του εργαλείου είναι ότι δεν περιορίζεται στην εκτίμηση του πιθανού κινδύνου, αλλά μπορεί να υποδείξει και ποιες πρωτεΐνες επηρέασαν περισσότερο το αποτέλεσμα. Αυτό επιτυγχάνεται μέσω ενός μηχανισμού προσοχής (attention mechanism), ο οποίος αναδεικνύει τα σημαντικότερα στοιχεία στα οποία βασίστηκε η πρόβλεψη. Σε βακτήρια που εκτιμήθηκε ότι ενδέχεται να είναι επικίνδυνα, το μοντέλο εντόπισε πρωτεΐνες που συνδέονται με την παραγωγή τοξινών, την προσκόλληση στα ανθρώπινα κύτταρα και την εισαγωγή επιβλαβών ουσιών στα κύτταρα του ξενιστή.
Αντίθετα, στα βακτήρια που χαρακτηρίστηκαν πιθανότατα ακίνδυνα, αναδείχθηκαν πρωτεΐνες που σχετίζονται με λειτουργίες όπως η διάσπαση σακχάρων και η παραγωγή αντιμικροβιακών ουσιών.
Τι έδειξε η ανάλυση δειγμάτων λυμάτων
Η πιο ενδιαφέρουσα δοκιμή πραγματοποιήθηκε σε 2.739 βακτηριακά γονιδιώματα που ανασυντέθηκαν από δείγματα λυμάτων που προήλθαν από διαφορετικές περιοχές του κόσμου. Πολλά από αυτά αντιστοιχούσαν σε νέα είδη, χωρίς στενούς συγγενείς στις υπάρχουσες επιστημονικές βάσεις δεδομένων.
Το PathogenFinder2 εκτίμησε ότι 370 βακτήρια θα μπορούσαν δυνητικά να μολύνουν ανθρώπους. Το σύστημα εκτίμησε ότι 1.839 βακτήρια ήταν πιθανότατα ακίνδυνα, ενώ για 530 δεν μπόρεσε να εξαγάγει ασφαλές συμπέρασμα..
Οι ερευνητές εντόπισαν επίσης επτά διακριτές ομάδες πιθανών παθογόνων μικροοργανισμών. Ορισμένες περιλάμβαναν βακτηριακές οικογένειες που δεν είχαν συνδεθεί στο παρελθόν με ασθένειες στον άνθρωπο. Ωστόσο, ένας επίσημος στατιστικός έλεγχος δεν επιβεβαίωσε την ύπαρξη συγκεκριμένου μοτίβου που να συνδέεται με την πρόκληση ασθενειών στα νεοεντοπισμένα βακτήρια.
Ένα εργαλείο έγκαιρης προειδοποίησης, όχι εργαστηριακής διάγνωσης
Το PathogenFinder2 είναι διαθέσιμο δωρεάν στο διαδίκτυο, ενώ προσφέρεται και ως πρόγραμμα που μπορεί να μεταφορτωθεί και να χρησιμοποιηθεί από ερευνητικά εργαστήρια και υπηρεσίες δημόσιας υγείας. Οι δυνατότητές του θα μπορούσαν να συμβάλουν στον έγκαιρο εντοπισμό μικροοργανισμών που αξίζει να εξεταστούν περαιτέρω, περιορίζοντας τον χρόνο που απαιτείται για την αξιολόγηση τεράστιου όγκου γενετικών δεδομένων.
Αυτό δεν σημαίνει, ωστόσο, ότι κάθε βακτήριο που χαρακτηρίζεται δυνητικά επικίνδυνο αποτελεί επιβεβαιωμένη απειλή ή ότι θα προκαλέσει ασθένεια στον άνθρωπο. Οι προβλέψεις της τεχνητής νοημοσύνης δεν υποκαθιστούν την εργαστηριακή εξέταση και την επιστημονική επιβεβαίωση.
Το σημαντικότερο πλεονέκτημα του εργαλείου είναι ότι μπορεί να βοηθήσει τους επιστήμονες να εντοπίζουν νωρίτερα τα μικρόβια στα οποία πρέπει να στρέψουν την προσοχή τους. Σε έναν κόσμο όπου νέοι μικροοργανισμοί ανακαλύπτονται διαρκώς, αυτή η δυνατότητα θα μπορούσε να αποτελέσει ένα επιπλέον μέσο προστασίας της δημόσιας υγείας.
Πηγή: Studyfinds
Κάνε like στη σελίδα μας στο Facebook
Ακολούθησε μας στο Twitter
Κάνε εγγραφή στο κανάλι μας στο Youtube
Γίνε μέλος στο κανάλι μας στο Viber
– Αναφέρεται ως πηγή το ertnews.gr στο σημείο όπου γίνεται η αναφορά.
– Στο τέλος του άρθρου ως Πηγή
– Σε ένα από τα δύο σημεία να υπάρχει ενεργός σύνδεσμος
