Hvordan AI blir brukt i kampen mot Wuhan-koronaviruset

Kunstig intelligens blir utnyttet i kampen mot Wuhan-koronaviruset. Kunstig intelligens som brukes av forskere sporer spredningen av sykdommen og forsker på potensielle behandlinger for viruset.

Wuhan-koronaviruset manifesterte seg i Kina i desember, og i løpet av de to månedene siden da har det spredt seg over Kina og til andre deler av kloden. Det er fortsatt ukjent hvor smittsomt viruset er og hvor raskt viruset kan spre seg, selv om det for tiden er mer enn 40,000 XNUMX bekreftede tilfeller i Kina. For å få en bedre forståelse av hvordan viruset kan spre seg og hvor raskt viruset kan spre seg, bruker forskere maskinlæringsalgoritmer fokusert på data hentet fra sosiale medier og andre deler av nettet.

I løpet av den siste uken ser det ut til at infeksjonsraten har sunket noe, men det er uklart om sykdommen faller under kontroll eller om nye tilfeller blir vanskeligere å oppdage. Mens andre land rundt om i verden bare har sett noen få tilfeller av koronavirus, sammenlignet med Kina, er verdens helsesamfunn fortsatt bekymret for virusets evne til å spre seg. Forskere prøver å komme i forkant av virusspredningen ved å bruke maskinlæring og store data samlet inn fra internett.

Som rapportert av Wired, har et internasjonalt team av forskere hentet ut data fra ulike deler av internett, inkludert innlegg fra leger og medisinske grupper, folkehelsekanaler, innlegg på sosiale medier og nyhetsrapporter, og har satt sammen en database med tekst som kan være relatert til koronaviruset. Forskerne analyserer deretter dataene for tegn på at viruset kan spre seg utenfor Kinas grenser, ved å bruke maskinlæringsteknikker for å finne relevante mønstre i dataene som kan antyde hvordan viruset oppfører seg.

Forskerne ser gjennom innlegg på sosiale medier på jakt etter potensielle symptomer på koronavirus, og sentrerer søket om regioner der leger tror tilfeller kan manifestere seg. De sosiale medieinnleggene behandles ved hjelp av naturlig språkbehandlingsteknikker, teknikker som kan skille mellom innlegg der en person nevner sine egne symptomer kontra noen som sier symptomrelaterte ord i en annen sammenheng (som å diskutere nyheter om koronaviruset).

Ifølge Alessandro Vespignani, som Wired rapporterte, hevder professor i Northeastern University og ekspert smitteanalytiker at selv med avanserte maskinlæringsteknikker er det ofte vanskelig å spore spredningen av viruset fordi egenskapene til viruset fortsatt er noe ukjente, og de fleste sosiale medier innlegg er fra medieselskaper og for tiden om utbruddet i Kina. Vesignani mener imidlertid at hvis viruset noen gang tok tak i USA, ville det blitt lettere å overvåke takket være flere innlegg om viruset.

Til tross for utfordringen med å få relevant informasjon om den potensielle oppførselen til koronaviruset, ser modellen laget av forskerne ut til å være rimelig effektiv til å finne ledetråder i et stort hav av innlegg på sosiale medier. Modellen som ble brukt av forskerne var i stand til å finne bevis på et viralt utbrudd 30. desember, selv om det tok tid å fastslå hvor alvorlig situasjonen ville bli. Crowdsourcet informasjon kan forbedre effektiviteten til sykdomssporingsmodeller ytterligere, siden det muliggjør mer effektiv innsamling av relevante data om viruset. Som et eksempel antyder en analyse av data crowdsourcet av kinesiske leger at personer yngre enn 15 år er mer motstandsdyktige mot viruset.

Kunstig intelligens kan også kombineres med data samlet inn fra mobile enheter for å bygge modeller som potensielt kan forutsi retningen et virus sprer seg, så vel som spredningshastigheten. For eksempel brukte forskere fra University of Southampton mobildata til bestemme banen som viruset kan ha tatt da det flyttet ut av Wuhan i dagene etter manifestasjonen. Andre forskere analyserte data samlet inn av Tencent, en kinesisk mobilapputvikler, og fant ut at restriksjonene som er pålagt av den kinesiske regjeringen potensielt reduserer virusets spredning, og kjøper viktig tid til å utvikle en angrepsplan.

Som Fortune rapporterte, oppstarten Insilico medisin har brukt kunstig intelligens for å identifisere molekyler som potensielt kan behandle koronaviruset. Insilicos AI identifiserte tusenvis av mulige medikamentmolekyler i løpet av fire dager. Insilico forklarte at de 100 mest lovende kandidatene vil bli syntetisert og all forskning på molekylære strukturer vil bli publisert for andre forskere å dra nytte av. Medisinske forskere og selskaper sporer utviklingen og testingen av behandlinger raskt, og det USA-baserte bioteknologiselskapet Gilead planlegger å starte umiddelbar testing av et nytt antiviralt medikament i Wuhan-regionen.

Etter at Insilico bestemte seg for å begynne å forske på behandlinger, fokuserte den forskningen på et enzym kalt 3C-lignende protease. Koronaviruset er avhengig av dette enzymet for å reprodusere og spre seg. I følge Insilico bestemte den seg for dette spesifikke enzymet fordi det er ganske likt andre virale proteaser hvis strukturer allerede er dokumentert, og fordi Shanghai Tech University hadde utviklet en modell av den 2019-nCoV 3C-lignende proteasen. I løpet av fire dager var Insilico i stand til å generere hundretusenvis av kandidatmolekyler og velge bare de hundre eller så som mest sannsynlig var nyttige. Resultatene av forskningen ble nylig publisert i depotet bioRxiv og på Insilicos nettside.