Τεχνητή νοημοσύνη
Ανθρώπινη Σειρά Γονιδιώματος και Βαθιά Μάθηση Μπορούν να Οδηγήσουν σε Ένα Εμβόλιο για το Κορωνοϊό – Γνώμη
Η κοινότητα του AI πρέπει να συνεργαστεί με γενετιστές, για να βρει μια θεραπεία για εκείνους που θεωρούνται πιο εκτεθειμένοι στον κίνδυνο του κορωνοϊού. Μια πιθανή θεραπεία θα μπορούσε να περιλαμβάνει την αφαίρεση των κυττάρων ενός ατόμου, την επεξεργασία του DNA και στη συνέχεια την ένεση των κυττάρων πίσω, τώρα με την ελπίδα ότι θα είναι οπλισμένα με μια επιτυχημένη ανοσοαπόκριση. Αυτό γίνεται目前 για κάποια άλλα εμβόλια.
Ο πρώτος βήμας θα ήταν η σειρά του ολόκληρου ανθρώπινου γονιδιώματος από ένα σημαντικό τμήμα του ανθρώπινου πληθυσμού.
Σειρά Ανθρώπινων Γονιδιωμάτων
Η σειρά του πρώτου ανθρώπινου γονιδιώματος κόστισε 2,7 δισεκατομμύρια δολάρια και χρειάστηκε σχεδόν 15 χρόνια για να ολοκληρωθεί. Το τρέχον κόστος της σειράς ενός ολόκληρου ανθρώπου έχει μειωθεί δραματικά. Όπως πρόσφατα το 2015 το κόστος ήταν 4.000 δολάρια, τώρα το κόστος είναι λιγότερο από 1.000 δολάρια ανά άτομο. Αυτό το κόστος θα μπορούσε να μειωθεί μερικά ποσοστιαία σημεία περισσότερο όταν λαμβάνονται υπόψη οι οικονομίες κλίμακας.
Χρειαζόμαστε να σειράσουμε το γονιδίωμα δύο διαφορετικών τύπων ασθενών:
- Μολυσμένοι με Κορωνοϊό, αλλά υγιείς
- Μολυσμένοι με Κορωνοϊό, αλλά με κακή ανοσοαπόκριση
Είναι αδύνατο να προβλέψουμε ποιο δεδομένο θα είναι το πιο πολύτιμο, αλλά κάθε σειρασμένο γονιδίωμα θα παρέχει ένα σύνολο δεδομένων. Όσο περισσότερα δεδομένα, τόσο περισσότερες επιλογές υπάρχουν για να εντοπίσουν παραλλαγές DNA που αυξάνουν την αντίσταση του σώματος στην ασθένεια.
Οι χώρες χάνουν τώρα τρισεκατομμύρια δολάρια από αυτή την έξαρση, το κόστος των 1.000 δολαρίων ανά ανθρώπινο γονιδίωμα είναι ελάχιστο σε σύγκριση. Ένα ελάχιστο των 1.000 εθελοντών για cả τα τμήματα του πληθυσμού θα ενισχύσει τους ερευνητές με σημαντικά όγκους μεγάλων δεδομένων. Αν η δοκιμή αυξανθεί σε μέγεθος με ένα τάγμα μεγέθους, το AI θα έχει ακόμη περισσότερα δεδομένα εκπαίδευσης, τα οποία θα αυξήσουν τις πιθανότητες επιτυχίας με πολλά τάγματα μεγέθους. Όσο περισσότερα δεδομένα, τόσο το καλύτερο, γι’ αυτό ένα στόχο των 10.000 εθελοντών πρέπει να στοχεύεται.
Μηχανική Μάθηση
Ενώ υπάρχουν πολλές λειτουργίες της μηχανικής μάθησης που θα είναι παρόντες, η βαθιά μάθηση θα χρησιμοποιηθεί για να βρει μοτίβα στα δεδομένα. Για παράδειγμα, μπορεί να υπάρχει μια παρατήρηση ότι ορισμένες μεταβλητές DNA αντιστοιχούν σε υψηλή ανοσία, ενώ άλλες αντιστοιχούν σε υψηλή θνησιμότητα. Στο ελάχιστο θα μάθουμε ποια τμήματα του ανθρώπινου πληθυσμού είναι πιο ευάλωτα και πρέπει να απομονωθούν.
Για να αποκρυπτογραφηθεί αυτά τα δεδομένα, ένα Τεχνητό Νευρωνικό Δίκτυο (ANN) θα τοποθετηθεί στο cloud, και σειρασμένα ανθρώπινα γονιδιώματα από όλο τον κόσμο θα ανεβαίνουν. Με τον χρόνο να είναι της ουτέρας σημασίας, η παράλληλη επεξεργασία θα μειώσει τον χρόνο που απαιτείται για το ANN να κάνει τη μαγεία του.
Μπορούμε ακόμη να το πάμε ένα βήμα παραπέρα και να χρησιμοποιήσουμε τα δεδομένα εξόδου ταξινομημένα από το ANN και να τα δώσουμε σε ένα ξεχωριστό σύστημα που ονομάζεται Επανειλημμένο Νευρωνικό Δίκτυο (RNN). Το RNN χρησιμοποιεί ενισχυτική μάθηση για να αναγνωρίσει ποιο γονίδιο επιλέχθηκε από το αρχικό ANN είναι το πιο επιτυχημένο σε ένα προσομοιωμένο περιβάλλον. Ο ενισχυτικός μάθησης πράκτορας θα γαμιφίσει ολόκληρη τη διαδικασία της δημιουργίας ενός προσομοιωμένου περιβάλλοντος, για να δοκιμάσει ποια αλλαγές DNA είναι πιο αποτελεσματικές.
Ένα προσομοιωμένο περιβάλλον είναι σαν ένα εικονικό περιβάλλον παιχνιδιού, κάτι που πολλές εταιρείες AI είναι καλά τοποθετημένες να επωφεληθούν από την προηγούμενη επιτυχία τους στην σχεδίαση αλγορίθμων AI για να κερδίσουν στο esports. Αυτό περιλαμβάνει εταιρείες όπως DeepMind και OpenAI.
Αυτές οι εταιρείες μπορούν να χρησιμοποιήσουν την υποκείμενη αρχιτεκτονική τους που έχει βελτιστοποιηθεί για να κυριαρχήσει στα βιντεοπαιχνίδια, για να δημιουργήσουν ένα προσομοιωμένο περιβάλλον, να δοκιμάσουν αλλαγές γονιδιών και να μάθουν ποίες αλλαγές οδηγούν σε συγκεκριμένες επιθυμητές αλλαγές.
Μόλις αναγνωριστεί ένα γονίδιο, μια άλλη τεχνολογία χρησιμοποιείται για να κάνει τις αλλαγές.
CRISPR
Πρόσφατα, η πρώτη μελέτη που χρησιμοποιεί CRISPR για να επεξεργαστεί το DNA μέσα στο ανθρώπινο σώμα έγινε. Αυτό ήταν για να θεραπεύσει một σπάνια τύπο γενετικής διαταραχής που επηρεάζει ένα στα 100.000 νεογέννητα. Η κατάσταση μπορεί να προκληθεί από μεταλλάξεις σε έως και 14 γονίδια που παίζουν ρόλο στην ανάπτυξη και λειτουργία της ρέτινας. Σε αυτή την περίπτωση, το CRISPR έχει ως στόχο να στοχεύσει προσεκτικά το DNA και να προκαλέσει ελαφριά προσωρινή ζημιά στο σợi DNA, προκαλώντας την κυτταρική αυτοεπισκευή. Αυτή η αναστρεπτή διαδικασία αυτοεπισκευής έχει το δυναμικό να αποκαταστήσει την όραση.
Ενώ ακόμη περιμένουμε τα αποτελέσματα αν αυτή η θεραπεία θα λειτουργήσει, η προηγούμενη έγκριση του CRISPR για δοκιμές στο ανθρώπινο σώμα είναι μετασχηματιστική. Οι πιθανές διαταραχές που μπορούν να θεραπευτούν περιλαμβάνουν τη βελτίωση της ανοσοαπόκρισης του σώματος σε συγκεκριμένες ασθένειες.
Πιθανώς, μπορούμε να χειριστούμε την φυσική γενετική αντίσταση του σώματος σε μια συγκεκριμένη ασθένεια. Οι ασθένειες που θα μπορούσαν να στοχευτούν είναι ποικίλες, αλλά η κοινότητα πρέπει να επικεντρωθεί στη θεραπεία της νέας παγκόσμιας επιδημίας του κορωνοϊού. Μια απειλή που αν δεν ελεγχθεί, θα μπορούσε να οδηγήσει σε μια ποινή θανάτου για ένα μεγάλο ποσοστό του πληθυσμού μας.
ΤΕΛΙΚΕΣ ΣΚΕΨΕΙΣ
Ενώ υπάρχουν πολλές πιθανές επιλογές για την επίτευξη επιτυχίας, θα απαιτήσει ότι οι γενετιστές, οι επιδημιολόγοι και οι ειδικοί της μηχανικής μάθησης να ενωθούν. Μια πιθανή θεραπεία μπορεί να είναι όπως περιγράφηκε παραπάνω, ή μπορεί να αποκαλυφθεί ότι είναι απίστευτα διαφορετική, η ευκαιρία βρίσκεται στη σειρά του γονιδιώματος ενός μεγάλου τμήματος του πληθυσμού.
Η βαθιά μάθηση είναι το καλύτερο εργαλείο ανάλυσης που έχουν δημιουργήσει οι άνθρωποι, πρέπει να προσπαθήσουμε να τη χρησιμοποιήσουμε για να δημιουργήσουμε ένα εμβόλιο.
Όταν λαμβάνουμε υπόψη τι είναι τώρα σε κίνδυνο με αυτή την τρέχουσα επιδημία, αυτές οι τρεις επιστημονικές κοινότητες πρέπει να έρθουν μαζί για να δουλέψουν για μια θεραπεία.
