Humangenen-Sequenzierung 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, in der Hoffnung, dass sie nun mit einer erfolgreichen Immunantwort ausgestattet sind. Dies wird derzeit für einige andere Impfstoffe entwickelt.

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

Sequenzierung von menschlichen Genomen

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. Im Jahr 2015 lag der Preis bei 4.000 Dollar, jetzt liegt er bei weniger als 1.000 Dollar pro Person. Diese Kosten könnten um einige Prozentpunkte sinken, wenn man die Skaleneffekte berücksichtigt.

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 Datenmenge liefern. Je mehr Daten, desto mehr Optionen gibt es, um DNA-Variationen zu finden, die die Resistenz des Körpers gegen den Krankheitsvektor erhöhen.

Die Nationen verlieren derzeit Trillionen 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 Forschern mit großen Mengen an Big Data ausstatten. Sollte die Studie um eine Größenordnung vergrößert werden, hätte die künstliche Intelligenz noch mehr Trainingsdaten, 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 mehrere Funktionalitäten des Machine Learning vorhanden wären, würde Deep Learning verwendet, 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 Artificial Neural Network (ANN) auf der Cloud platziert und sequenzierte menschliche Genome von überall auf der Welt hochgeladen. Da Zeit von entscheidender Bedeutung ist, würde paralleles Rechnen die Zeit reduzieren, die das ANN benötigt, um seine Arbeit zu erledigen.

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

Ein simuliertes Umfeld ist wie ein virtuelles Spielumfeld, etwas, wofür viele AI-Unternehmen aufgrund ihrer vorherigen Erfolge bei der Entwicklung von AI-Algorithmen, um bei E-Sport 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 wurde, nutzen, um eine simuliertes Umfeld zu erstellen, Gen-Editierungen zu testen und zu lernen, welche Editierungen zu bestimmten gewünschten Änderungen führen.

Sobald ein Gen identifiziert wurde, wird eine andere Technologie verwendet, um die Editierungen vorzunehmen.

CRISPR

Vor Kurzem wurde die erste Studie, die CRISPR zur Editierung von DNA im menschlichen Körper verwendet, genehmigt. Dies geschah, um eine seltene genetische Störung zu behandeln, die ein von 100.000 Neugeborenen betrifft. Die Störung kann durch Mutationen in bis zu 14 Genen verursacht werden, die eine Rolle bei der Entwicklung und dem Betrieb der Retina spielen. In diesem Fall zielt CRISPR darauf ab, DNA sorgfältig zu targeten und leichte, vorübergehende Schäden an der DNA-Stränge zu verursachen, was die Zelle dazu bringt, sich selbst zu reparieren. Es ist dieser Heilungsprozess, der das Potenzial hat, das Sehvermögen wiederherzustellen.

Während wir noch auf die Ergebnisse warten, ob diese Behandlung wirksam sein wird, ist die Tatsache, dass CRISPR für Studien im menschlichen Körper genehmigt wurde, 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 Teil unserer Bevölkerung führen kann.

ABSCHLIEßENDE GEDANKEN

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

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

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