Hvordan AI bruges i kampen mod Wuhan-coronavirus

Kunstig intelligens udnyttes i kampen mod Wuhan-coronavirus. Kunstig intelligens anvendes af forskere til at spore sygdommens udbredelse og til at forskere i potentielle behandlinger for virusset.

Wuhan-coronavirus opstod i Kina i december, og i de to måneder siden da, har det spredt sig over Kina og til andre dele af verden. Det er stadig ukendt, hvor smitsomt virusset er, og hvor hurtigt det kan sprede sig, selvom der i øjeblikket er over 40.000 bekræftede tilfælde i Kina. For at få en bedre forståelse af, hvordan virusset kan sprede sig og hvor hurtigt det kan sprede sig, anvender forskere maskinlæringsalgoritmer, der fokuserer på data fra sociale medier og andre dele af internettet.

Over de sidste uger synes infektionsraten at være faldet lidt, men det er uklart, om sygdommen er under kontrol eller om nye tilfælde bliver sværere at opdage. Mens andre lande verden over kun har set få tilfælde af coronavirus, i sammenligning med Kina, er det globale sundhedsfællesskab stadig bekymret over virussets evne til at sprede sig. Forskere forsøger at komme i forkøbet for virussets udbredelse ved at anvende maskinlærings- og big data-teknikker fra internettet.

Som Wired rapporterede, har et internationalt hold af forskere udtrukket data fra forskellige dele af internettet, herunder lægers og medicinske gruppers indlæg, offentlige sundheds kanaler, sociale medieindlæg og nyhedsrapporter, og samlet en database af tekst, der måske relaterer til coronavirus. Forskerne analyserer herefter data for tegn på, at virusset kan sprede sig uden for Kinas grænser, og anvender maskinlærings-teknikker til at finde relevante mønstre i data, der kan give hint om, hvordan virusset opfører sig.

Forskerne gennemser sociale medieindlæg for at finde potentielle symptomer på coronavirus, og fokuserer på områder, hvor læger mener, at tilfælde kan optræde. De sociale medieindlæg behandles ved hjælp af naturlig sprogbehandlingsteknikker, der kan skelne mellem indlæg, hvor en person nævner sine egne symptomer, og indlæg, hvor symptom-relaterede ord nævnes i en anden kontekst (såsom diskussion af nyheder om coronavirus).

Ifølge Alessandro Vespignani, som Wired rapporterede, professor ved Northeastern University og ekspert i smitsomme sygdomme, er det selv med avancerede maskinlærings-teknikker ofte svært at spore virussets udbredelse, da virussets karakteristika stadig er noget ukendt, og de fleste sociale medieindlæg kommer fra medievirksomheder og handler i øjeblikket om udbruddet i Kina. Vespignani mener dog, at hvis virusset nogensinde skulle få fodfæste i USA, ville det blive lettere at overvåge takket være flere indlæg om virusset.

Trods udfordringen i at opnå relevant information om virussets potentielle adfærd, synes modellen, som forskerne har udviklet, at være rimelig effektiv til at finde spor i en stor mængde sociale medieindlæg. Modellen, som forskerne anvender, kunne finde bevis for et virusudbrud den 30. december, selvom det tog tid at afgøre, hvor alvorligt situationen ville blive. Krowdsourcede oplysninger kunne gøre sygdoms-overvågningsmodeller endnu mere effektive, da de muliggør en mere effektiv indsamling af relevante data om virusset. Som eksempel viser en analyse af data, som kinesiske læger har krowdsourced, at personer under 15 år er mere modstandsdygtige over for virusset.

Kunstig intelligens kan også kombineres med data fra mobile enheder til at opbygge modeller, der potentielt kan forudsige, hvilken retning et virus spreder sig, samt hvilken hastighed det spreder sig med. For eksempel anvendte forskere fra University of Southampton mobile data til at bestemme den vej, som virusset måske tog, da det forlod Wuhan i dagene efter dets opdukken. Andre forskere analyserede data fra Tencent, en kinesisk mobilapp-udvikler, og fandt, at de begrænsninger, som den kinesiske regering havde indført, potentielt kunne reducere virussets udbredelse og give værdifuld tid til at udvikle en plan.

Som Fortune rapporterede, har startup-virksomheden Insilico Medicine anvendt kunstig intelligens til at identificere molekyler, der potentielt kunne behandle coronavirus. Insilicos AI identificerede tusinder af mulige lægemiddelmolekyler over fire dage. Insilico forklarede, at de 100 mest lovende kandidater vil blive syntetiseret, og at alle deres forskning i molekylærstrukturer vil blive offentliggjort, så andre forskere kan drage fordel af det. Medicinske forskere og virksomheder accelererer udviklingen og testningen af behandlinger, og det USA-baserede biotek-virksomhed Gilead planlægger at starte umiddelbar testning af et nyt antiviralt lægemiddel i Wuhan-området.

Efter at Insilico besluttede at påbegynde forskning i behandlinger, fokuserede de deres forskning på et enzym kaldet 3C-lignende protease. Coronavirusset afhænger af dette enzym for at reproducere og sprede sig. Ifølge Insilico valgte de dette specifikke enzym, fordi det er ret lignende andre virale proteaser, hvis strukturer allerede er dokumenteret, og fordi Shanghai Tech University havde udviklet en model af 2019-nCoV 3C-lignende protease. Over fire dage kunne Insilico generere hundredtusinder af kandidatmolekyler og vælge kun de hundred eller så, der var mest sandsynligt at være nyttige. Forskningsresultaterne er blevet offentliggjort i repository bioRxiv og på Insilicos website.