Wie KI im Kampf gegen das Wuhan-Coronavirus eingesetzt wird

Künstliche Intelligenz wird im Kampf gegen das Wuhan-Coronavirus eingesetzt. Künstliche Intelligenz wird von Forschern eingesetzt, um die Ausbreitung der Krankheit zu verfolgen und potenzielle Behandlungen für das Virus zu erforschen.

Das Wuhan-Coronavirus trat in China im Dezember auf und hat sich in den zwei Monaten seitdem über China und andere Teile der Welt verbreitet. Es ist noch unbekannt, wie ansteckend das Virus ist und wie schnell es sich ausbreiten kann, obwohl es derzeit über 40.000 bestätigte Fälle in China gibt. Um ein besseres Verständnis dafür zu bekommen, wie sich das Virus ausbreiten könnte und wie schnell es sich ausbreiten kann, setzen Forscher Machine-Learning-Algorithmen ein, die auf Daten aus sozialen Medien und anderen Teilen des Internets basieren.

Im Laufe der vergangenen Woche scheint die Ansteckungsrate etwas abgenommen zu haben, aber es ist unklar, ob die Krankheit unter Kontrolle ist oder ob neue Fälle schwieriger zu erkennen sind. Während andere Länder weltweit nur wenige Fälle von Coronavirus haben, im Vergleich zu China, bleibt die Weltgesundheitsgemeinschaft besorgt über die Fähigkeit des Virus, sich auszubreiten. Forscher versuchen, der Ausbreitung des Virus mit Hilfe von Machine Learning und Big Data vom Internet voraus zu sein.

Wie Wired berichtet, hat ein internationales Team von Forschern Daten aus verschiedenen Teilen des Internets extrahiert, einschließlich Posts von Ärzten und medizinischen Gruppen, öffentlichen Gesundheitskanälen, sozialen Medien-Posts und Nachrichtenberichten, und eine Datenbank von Texten erstellt, die möglicherweise mit dem Coronavirus in Verbindung stehen. Die Forscher analysieren die Daten auf Anzeichen, dass das Virus außerhalb Chinas Grenzen verbreitet werden könnte, und verwenden Machine-Learning-Techniken, um relevante Muster in den Daten zu finden, die auf das Verhalten des Virus hindeuten könnten.

Die Forscher durchsuchen soziale Medien-Posts nach möglichen Symptomen von Coronavirus, konzentrieren sich auf Regionen, in denen Ärzte denken, dass Fälle auftreten könnten. Die sozialen Medien-Posts werden mit Hilfe von Natural Language Processing-Techniken verarbeitet, die zwischen Posts unterscheiden können, in denen eine Person ihre eigenen Symptome erwähnt, und solchen, in denen symptombezogene Wörter in einem anderen Kontext verwendet werden (wie bei der Diskussion von Nachrichten über das Coronavirus).

Laut Alessandro Vespignani, wie Wired berichtet, Professor an der Northeastern University und Experte für Ansteckungsanalyse, ist es sogar mit fortschrittlichen Machine-Learning-Techniken oft schwierig, die Ausbreitung des Virus zu verfolgen, da die Eigenschaften des Virus noch nicht vollständig bekannt sind und die meisten sozialen Medien-Posts von Medienunternehmen stammen und derzeit über den Ausbruch in China berichten. Vespignani glaubt jedoch, dass, wenn das Virus jemals in den USA Fuß fasst, es einfacher zu überwachen sein wird, dank der größeren Anzahl von Posts über das Virus.

Trotz der Herausforderung, relevante Informationen über das mögliche Verhalten des Coronavirus zu erhalten, scheint das von den Forschern erstellte Modell recht effektiv darin zu sein, Hinweise in einer großen Menge von sozialen Medien-Posts zu finden. Das Modell der Forscher konnte Beweise für einen viralen Ausbruch am 30. Dezember finden, obwohl es Zeit brauchte, um zu bestimmen, wie ernst die Situation werden würde. Crowdsourced-Informationen könnten die Effektivität von Krankheitsüberwachungsmodellen noch weiter verbessern, da sie die effizientere Sammlung von relevanten Daten über das Virus ermöglichen. Als Beispiel zeigt eine Analyse von Daten, die von chinesischen Ärzten crowdsourced wurden, dass Menschen unter 15 Jahren widerstandsfähiger gegen das Virus sind.

Künstliche Intelligenz kann auch mit Daten von Mobilgeräten kombiniert werden, um Modelle zu erstellen, die möglicherweise die Richtung vorhersagen, in die sich das Virus ausbreitet, sowie die Ausbreitungsrate. Zum Beispiel verwendeten Forscher der University of Southampton Mobilfunkdaten, um den Weg zu bestimmen, den das Virus möglicherweise genommen hat, als es Wuhan in den Tagen nach seinem Auftreten verließ. Andere Forscher analysierten Daten, die von Tencent, einem chinesischen Mobilfunk-App-Entwickler, gesammelt wurden, und fanden heraus, dass die von der chinesischen Regierung verhängten Einschränkungen möglicherweise die Ausbreitung des Virus verlangsamen und wertvolle Zeit für die Entwicklung eines Angriffsplans kaufen.

Wie Fortune berichtet, hat das Startup-Unternehmen Insilico Medicine künstliche Intelligenz eingesetzt, um Moleküle zu identifizieren, die möglicherweise das Coronavirus behandeln könnten. Insilicos KI identifizierte Tausende von möglichen Wirkstoffmolekülen innerhalb von vier Tagen. Insilico erklärte, dass die 100 vielversprechendsten Kandidaten synthetisiert werden und alle ihre Forschungsergebnisse zu molekularen Strukturen veröffentlicht werden, damit andere Forscher davon profitieren können. Medizinische Forscher und Unternehmen beschleunigen die Entwicklung und Erprobung von Behandlungen, wobei das US-amerikanische Biotech-Unternehmen Gilead plant, die Erprobung eines neuen antiviralen Medikaments in der Region Wuhan sofort zu beginnen.

Nachdem Insilico beschlossen hatte, mit der Erforschung von Behandlungen zu beginnen, konzentrierte es seine Forschung auf ein Enzym namens 3C-ähnliche Protease. Das Coronavirus benötigt dieses Enzym, um sich zu reproduzieren und zu verbreiten. Laut Insilico wurde diese spezifische Protease ausgewählt, weil sie sehr ähnlich zu anderen viralen Proteasen ist, deren Strukturen bereits dokumentiert wurden, und weil die Shanghai Tech University ein Modell der 2019-nCoV-3C-ähnlichen Protease entwickelt hatte. Innerhalb von vier Tagen konnte Insilico Hunderttausende von Kandidatenmolekülen generieren und nur die hundert oder so auswählen, die am wahrscheinlichsten nützlich sein würden. Die Ergebnisse der Forschung wurden kürzlich im Repository bioRxiv und auf der Website von Insilico veröffentlicht.