Human Genome Sequencing und Deep Learning könnten zu einem Coronavirus-Impfstoff führen – Meinung

Die AI-Gemeinschaft muss mit Genetikern zusammenarbeiten, um eine Behandlung für diejenigen zu finden, die am stärksten von dem Coronavirus betroffen sind. Eine potenzielle Behandlung könnte darin bestehen, die Zellen einer Person zu entfernen, die DNA zu bearbeiten und dann die Zellen wieder einzuspritzen, jetzt hoffentlich mit einer erfolgreichen Immunantwort bewaffnet. Dies wird derzeit für einige andere Impfstoffe gearbeitet.

Der erste Schritt würde darin bestehen, das gesamte menschliche Genom von einem großen Segment der menschlichen Bevölkerung zu sequenzieren.

Sequenzierung des menschlichen Genoms

Die Sequenzierung des ersten menschlichen Genoms kostete 2,7 Milliarden Dollar und dauerte fast 15 Jahre. Die aktuellen Kosten für die Sequenzierung eines gesamten Menschen sind dramatisch gesunken. So betrug der Preis im Jahr 2015 4.000 Dollar, jetzt liegt der Preis bei weniger als 1.000 Dollar pro Person. Diese Kosten könnten um einige Prozentpunkte sinken, wenn die Skaleneffekte berücksichtigt werden.

Wir müssen das Genom von zwei verschiedenen Arten von Patienten sequenzieren:

1. Infiziert mit Coronavirus; aber gesund
2. Infiziert mit Coronavirus; aber schwache Immunantwort

Es ist unmöglich vorherzusagen, welcher Datenpunkt am wertvollsten sein wird, aber jedes sequenzierte Genom würde eine Datensammlung liefern. Je mehr Daten, desto mehr Optionen gibt es, um DNA-Variationen zu finden, die die Widerstandsfähigkeit des Körpers gegen den Krankheitsvektor erhöhen.

Die Nationen verlieren derzeit Billionen von Dollar durch diesen Ausbruch, die Kosten von 1.000 Dollar pro menschlichem Genom sind im Vergleich dazu gering. Ein Minimum von 1.000 Freiwilligen für beide Segmente der Bevölkerung würde Forscher mit großen Mengen an Big Data ausstatten. Sollte die Studie um eine Größenordnung vergrößert werden, würde die künstliche Intelligenz noch mehr Trainingsdaten haben, was die Erfolgschancen um mehrere Größenordnungen erhöhen würde. Je mehr Daten, desto besser, deshalb sollte ein Ziel von 10.000 Freiwilligen angestrebt werden.

Machine Learning

Während multiple Funktionalitäten des Machine Learning vorhanden wären, würde Deep Learning verwendet werden, um Muster in den Daten zu finden. Zum Beispiel könnte beobachtet werden, dass bestimmte DNA-Variablen mit einer hohen Immunität korrelieren, während andere mit einer hohen Sterblichkeitsrate korrelieren. Mindestens würden wir lernen, welche Segmente der menschlichen Bevölkerung anfälliger sind und isoliert werden sollten.

Um diese Daten zu entschlüsseln, würde ein künstliches neuronales Netzwerk (ANN) in der Cloud platziert und sequenzierte menschliche Genome aus der ganzen Welt hochgeladen. Da Zeit von entscheidender Bedeutung ist, würde paralleles Rechnen die Zeit reduzieren, die das ANN benötigt, um seine Magie zu wirken.

Wir könnten es sogar noch einen Schritt weiter treiben und die Ausgabedaten, sortiert durch das ANN, in ein separates System namens Recurrent Neural Network (RNN) einfügen. Das RNN verwendet Verstärkendes Lernen, um zu bestimmen, welches Gen durch das initialen ANN ausgewählt wird, am erfolgreichsten in einer simulierten Umgebung ist. Der Verstärkungs-Learning-Agent würde den gesamten Prozess der Erstellung einer simulierten Umgebung gamifizieren, um zu testen, welche DNA-Änderungen effektiver sind.

Eine simulierte Umgebung ist wie eine virtuelle Spielumgebung, etwas, wofür viele AI-Unternehmen aufgrund ihrer vorherigen Erfolge bei der Gestaltung von AI-Algorithmen, um bei Esports zu gewinnen, gut positioniert sind. Dazu gehören Unternehmen wie DeepMind und OpenAI.

Diese Unternehmen können ihre zugrunde liegende Architektur, die für das Meistern von Videospielen optimiert ist, nutzen, um eine simulierte Umgebung zu erstellen, Gen-Edits zu testen und zu lernen, welche Edits zu bestimmten gewünschten Änderungen führen.

Sobald ein Gen identifiziert ist, wird eine andere Technologie verwendet, um die Edits vorzunehmen.

CRISPR

Vor Kurzem wurde die erste Studie, die CRISPR zur Bearbeitung von DNA im menschlichen Körper verwendet, genehmigt. Dies geschah, um eine seltene Art von genetischer Störung zu behandeln, die einen von 100.000 Neugeborenen betrifft. Die Erkrankung kann durch Mutationen in bis zu 14 Genen verursacht werden, die eine Rolle bei dem Wachstum und der Funktion der Netzhaut spielen. In diesem Fall zielt CRISPR darauf ab, vorsichtig DNA zu bearbeiten und leichten, vorübergehenden Schaden am DNA-Strang zu verursachen, was die Zelle dazu bringt, sich selbst zu reparieren. Es ist dieser restaurative Heilprozess, der das Potenzial hat, die Sehkraft wiederherzustellen.

Während wir noch auf die Ergebnisse warten, ob diese Behandlung wirken wird, ist die Genehmigung von CRISPR für Studien im menschlichen Körper bahnbrechend. Potenzielle Störungen, die behandelt werden können, umfassen die Verbesserung der natürlichen Immunantwort des Körpers gegen bestimmte Krankheitsvektoren.

Potenziell können wir die natürliche genetische Resistenz des Körpers gegen eine bestimmte Krankheit manipulieren. Die Krankheiten, die potenziell angegriffen werden können, sind vielfältig, aber die Gemeinschaft sollte sich auf die Behandlung der neuen globalen Epidemie Coronavirus konzentrieren. Eine Bedrohung, die, wenn sie unkontrolliert bleibt, zu einem Todesurteil für einen großen Prozentsatz unserer Bevölkerung führen kann.

ABSCHLIEßENDE GEDANKEN

Während es viele potenzielle Optionen zum Erreichen des Erfolgs gibt, wird es erfordern, dass Genetiker, Epidemiologen und Machine-Learning-Spezialisten sich vereinen. Eine potenzielle Behandlungsoption kann wie oben beschrieben sein oder sich als unvorstellbar anders erweisen, die Gelegenheit liegt in der Genom-Sequenzierung eines großen Segments der Bevölkerung.

Deep Learning ist das beste Analyse-Tool, das die Menschheit je geschaffen hat; wir müssen zumindest versuchen, es zu verwenden, um einen Impfstoff zu entwickeln.

Wenn wir berücksichtigen, was derzeit mit dieser Epidemie auf dem Spiel steht, müssen diese drei wissenschaftlichen Gemeinschaften zusammenkommen, um an einem Heilmittel zu arbeiten.