Mänsklig genomsökning och djupinlärning kan leda till ett coronavirusvaccin – Åsikt

AI-samhället måste samarbeta med genetiker för att hitta en behandling för de som anses vara mest utsatta för coronavirus. En potentiell behandling kan innebära att man tar bort en persons celler, redigerar DNA:t och sedan injicerar cellerna igen, med förhoppning om en framgångsrik immunreaktion. Detta arbete pågår för närvarande med andra vacciner.

Det första steget skulle vara att sekvensera hela den mänskliga genomen från en stor del av befolkningen.

Sekvensering av mänskliga genomer

Sekvenseringen av den första mänskliga genomen kostade 2,7 miljarder dollar och tog nästan 15 år att slutföra. Den nuvarande kostnaden för att sekvensera en hel människa har minskat dramatiskt. Så sent som 2015 var kostnaden 4 000 dollar, nu är kostnaden mindre än 1 000 dollar per person. Denna kostnad kan sjunka några procentenheter till när stordriftsfördelar tas med i beräkningen.

Vi behöver sekvensera genomet från två olika typer av patienter:

1. Smittad med coronavirus, men frisk
2. Smittad med coronavirus, men med svag immunreaktion

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

Länder förlorar för närvarande trillions av dollar på denna utbrott, och kostnaden på 1 000 dollar per mänsklig genomsökning är försumbar i jämförelse. En minimum av 1 000 frivilliga för båda segmenten av befolkningen skulle ge forskare betydande mängder stordata. Om försöket ökar i storlek med en storleksordning, skulle AI ha ännu mer träningsdata, vilket skulle öka chanserna till framgång med flera storleksordningar. Ju mer data, desto bättre, och därför bör ett mål på 10 000 frivilliga eftersträvas.

Maskininlärning

Medan flera funktioner i maskininlärning skulle vara närvarande, skulle djupinlärning användas för att hitta mönster i data. Till exempel kan det finnas en observation att vissa DNA-variabler korrelerar med hög immunitet, medan andra korrelerar med hög mortalitet. På minsta sätt skulle vi lära oss vilka segment av befolkningen som är mer mottagliga och bör karantäniseras.

För att tolka denna data skulle en artificiell neural nätverk (ANN) placeras på molnet, och sekvenserade mänskliga genomer från hela världen skulle laddas upp. Med tanke på att tiden är av stor vikt, kommer parallellberäkning att minska den tid som krävs för ANN att utföra sitt arbete.

Vi kunde till och med gå ett steg längre och använda utdata som sorterats av ANN och mata in den i ett separat system som kallas för Recurrent Neural Network (RNN). RNN använder förstärkt inlärning för att identifiera vilken gen som valts av den initiala ANN som är mest framgångsrik i en simulerad miljö. Den förstärkta inlärningsagenten skulle göra hela processen att skapa en simulerad miljö, testa genredigeringar och lära sig vilka redigeringar som leder till specifika önskade förändringar.

En simulerad miljö är som en virtuell spelmiljö, något som många AI-företag är väl positionerade att dra nytta av baserat på deras tidigare framgång i att designa AI-algoritmer för att vinna på esport. Detta inkluderar företag som DeepMind och OpenAI.

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

När en gen har identifierats, används en annan teknik för att göra redigeringarna.

CRISPR

Nyligen godkändes den första studien som använder CRISPR för att redigera DNA inuti den mänskliga kroppen. Detta var för att behandla en sällsynt genetisk störning som påverkar en av 100 000 nyfödda. Tillståndet kan orsakas av mutationer i så många som 14 gener som spelar en roll i tillväxten och driften av näthinnan. I detta fall syftar CRISPR till att noggrant rikta in sig på DNA och orsaka lätt tillfällig skada på DNA-strängen, vilket får cellen att reparera sig själv. Det är denna restaurerande läkningsprocess som har potentialen att återställa synen.

Medan vi fortfarande väntar på resultat om huruvida denna behandling kommer att fungera, är precedensen för att ha CRISPR godkänt för försök i den mänskliga kroppen revolutionerande. Potentiella störningar som kan behandlas inkluderar förbättring av kroppens immunreaktion mot specifika sjukdomsvektorer.

Potentiellt kan vi manipulera kroppens naturliga genetiska motståndskraft mot en specifik sjukdom. De sjukdomar som potentiellt kan måltas är diversifierade, men samhället bör fokusera på behandlingen av den nya globala epidemin coronavirus. Ett hot som, om det inte kontrolleras, kan leda till en dödsdom för en stor procentandel av vår befolkning.

SLUTTANKAR

Medan det finns många potentiella alternativ för att uppnå framgång, kommer det att kräva att genetiker, epidemiologer och maskininlärningsspecialister enas. En potentiell behandlingsalternativ kan vara som beskrivits ovan, eller kan visa sig vara otroligt annorlunda, möjligheten ligger i genomsökningen av en stor del av befolkningen.

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

När vi tar i beaktande vad som för närvarande är på risk med denna nuvarande epidemi, behöver dessa tre vetenskapliga samhällen komma samman för att arbeta på en kur.