Mänskligt genomsekvensering och djupinlärning kan leda till ett vaccin mot coronavirus – åsikt

AI-gemenskapen måste samarbeta med genetiker för att hitta en behandling för dem som bedöms ha störst risk för coronavirus. En potentiell behandling kan innebära att ta bort en persons celler, redigera DNA:t och sedan injicera cellerna igen, nu förhoppningsvis beväpnade med ett framgångsrikt immunsvar. Detta pågår just nu arbetat på för några andra vacciner.

Det första steget skulle vara att sekvensera hela det mänskliga genomet från en betydande del av den mänskliga befolkningen.

Sekvensering av mänskliga genom

Sekvensering av det första mänskliga genomet kostade 2.7 miljarder dollar och tog nästan 15 år att slutföra. Den nuvarande kostnaden för att sekvensera en hel människa har sjunkit dramatiskt. Så sent som 2015 var kostnaden $4000, nu är kostnaden mindre än $1000 per person. Denna kostnad kan sjunka ytterligare några procentenheter när stordriftsfördelar beaktas.

Vi behöver sekvensera genomet hos två olika typer av patienter:

1. Infekterad med Coronavirus; men frisk
2. Infekterad med Coronavirus; men dåligt immunsvar

Det är omöjligt att förutsäga vilken datapunkt som kommer att vara mest värdefull, men varje sekvenserat genom skulle ge en datauppsättning. Ju mer data desto fler alternativ finns det för att lokalisera DNA-variationer som ökar kroppens motståndskraft mot sjukdomsvektorn.

Nationer förlorar för närvarande biljoner dollar på detta utbrott, kostnaden för $1000 för ett mänskligt genom är liten i jämförelse. Minst 1,000 10,000 volontärer för båda befolkningssegmenten skulle beväpna forskare med betydande mängder big data. Skulle försöket öka i storlek med en storleksordning skulle AI:n ha ännu mer träningsdata vilket skulle öka chanserna för framgång med flera storleksordningar. Ju mer data desto bättre, varför ett mål på XNUMX XNUMX volontärer bör eftersträvas.

Maskininlärning

Medan flera funktioner för maskininlärning skulle finnas, skulle djupinlärning användas för att hitta mönster i data. Till exempel kan det finnas en observation att vissa DNA-variabler motsvarar en hög immunitet, medan andra motsvarar en hög dödlighet. Åtminstone skulle vi lära oss vilka segment av den mänskliga befolkningen som är mer mottagliga och bör sättas i karantän.

För att dechiffrera dessa data skulle ett artificiellt neuralt nätverk (ANN) placeras på molnet och sekvenserade mänskliga genom från hela världen skulle laddas upp. Med tiden kommer parallell beräkning att minska den tid som krävs för att ANN ska fungera sin magi.

Vi skulle till och med kunna ta det ett steg längre och använda utdata som sorterats av ANN, och mata in den i ett separat system som kallas en Återkommande neuralt nätverk (RNN). RNN använder förstärkningsinlärning för att identifiera vilken gen som valts av den initiala ANN som är mest framgångsrik i en simulerad miljö. Förstärkningsinlärningsagenten skulle gamifiera hela processen att skapa en simulerad miljö för att testa vilka DNA-förändringar som är mer effektiva.

En simulerad miljö är som en virtuell spelmiljö, något som många AI-företag är väl positionerade att dra nytta av baserat på deras tidigare framgångar med att designa AI-algoritmer för att vinna på e-sport. Detta inkluderar företag som t.ex Deepmind och OpenAI.

Dessa företag kan använda sin underliggande arkitektur optimerad för att bemästra videospel, för att skapa en stimulerad miljö, testa genredigeringar och lära sig vilka redigeringar som leder till specifika önskade förändringar.

När en gen väl har identifierats används en annan teknik för att göra ändringarna.

Crispr

Nyligen den första studien någonsin med användning av CRISPR för att redigera DNA inuti människokroppen godkändes. Detta var för att behandla en sällsynt typ av genetisk sjukdom som drabbar ett av 100,000 14 nyfödda barn. Tillståndet kan orsakas av mutationer i så många som XNUMX gener som spelar en roll i näthinnans tillväxt och funktion. I det här fallet strävar CRISPR efter att noggrant rikta in sig på DNA och att orsaka lätt tillfällig skada på DNA-strängen, vilket får cellen att reparera sig själv. Det är denna återställande läkningsprocess som har potential att återställa synen.

Medan vi fortfarande väntar på resultat om denna behandling kommer att fungera, är prejudikatet med att ha godkänt CRISPR för försök i människokroppen transformerande. Potentiella störningar som kan behandlas inkluderar förbättring av kroppens immunsvar mot specifika sjukdomsvektorer.

Potentiellt kan vi manipulera kroppens naturliga genetiska motstånd mot en specifik sjukdom. Sjukdomarna som potentiellt kan riktas mot är olika, men samhället borde fokusera på behandlingen av den nya globala epidemiska coronaviruset. Ett hot som om det inte kontrolleras kan leda till en dödsdom för en stor andel av vår befolkning.

SLUTGILTIGA TANKAR

Även om det finns många möjliga alternativ för att nå framgång kommer det att kräva att genetiker, epidemiologer och maskininlärningsspecialister förenar sig. Ett potentiellt behandlingsalternativ kan vara som beskrivits ovan, eller kan visa sig vara ofattbart annorlunda, möjligheten ligger i genomsekvenseringen av ett stort segment av befolkningen.

Deep learning är det bästa analysverktyget som människor någonsin har skapat; vi måste åtminstone försöka använda det för att skapa ett vaccin.

När vi tar hänsyn till vad som för närvarande är i riskzonen med denna nuvarande epidemi, måste dessa tre forskarsamhällen gå samman för att arbeta på ett botemedel.