KI könnte die Geheimwaffe sein, um die nächste globale Pandemie zu verhindern

Bereits im Jahr 2016, vier Jahre bevor eine Pandemie die Welt zum Stillstand brachte, schlug das Umweltprogramm der Vereinten Nationen (UNEP) Alarm wegen zoonotischer Krankheiten und identifizierte sie als ein zentrales, aufkommendes Problem von globaler Bedeutung.

Mittlerweile sind nach Angaben der Weltgesundheitsorganisation jedes Jahr rund eine Milliarde Fälle und Millionen Todesfälle auf Zoonosen zurückzuführen, bei denen Krankheitserreger von Wirbeltieren auf den Menschen überspringen. Und von den 30 neuartigen menschlichen Viren, die in den letzten drei Jahrzehnten identifiziert wurden, stammten ganze 75 % von anderen Tieren.

Wissenschaftler der Universität Montreal glauben jedoch, dass ihre neue Modellierung mit künstlicher Intelligenz in der Lage ist, aufkommende virale „Hotspots“ hervorzuheben und vorherzusagen, die beobachtet werden müssen, was bei wahrscheinlichen Ausbrüchen von Tier-zu-Mensch-Infektionen helfen und im Idealfall so etwas wie COVID verhindern könnte -19 nicht mehr passieren.

Der Algorithmus, für den die Forscher drei Jahre und 10.000 Stunden Rechenzeit benötigten, war in der Lage, 80.000 neue potenzielle Interaktionen zwischen Viren und Wirten zu identifizieren und herauszufinden, wo auf der Welt sie am meisten Anlass zur Sorge geben.

„Wir haben bereits in den ersten Monaten des Jahres 2020 an diesem Projekt gearbeitet, bevor die Pandemie ausbrach“, sagte Timothée Poisot, Professor am Fachbereich Biowissenschaften der Universität Montreal.

Durch maschinelles Lernen war der Algorithmus in der Lage, Tausende von Säugetierarten und Tausende von Viren zu bewerten und alle möglichen Kombinationen zu ermitteln, anstatt Daten manuell zu verknüpfen.

„Das Grundproblem besteht darin, dass uns nur ein bis zwei Prozent der Wechselwirkungen zwischen Viren und Säugetieren bekannt sind“, sagte Poisot. „Die Netzwerke sind verstreut und es gibt nur wenige Interaktionen, die sich auf nur wenige Arten konzentrieren. Wir wollen wissen, welche Virusart welche Säugetierart wahrscheinlich infiziert, damit wir feststellen können, welche Interaktionen am wahrscheinlichsten auftreten.“

Das Team nutzte den größten offenen Datensatz CLOVER, der 5.494 Interaktionen zwischen 829 Viren und 1.081 Säugetierwirten beschrieb, von denen sich ein Großteil auf Wildtiere konzentrierte, sowie mehrere andere Datensätze, darunter das Host-Pathogen Phylogeny Project (HP3), Enhanced Infectious Diseases Database (EID2) und die Global Mammal Parasite Database V2.0 (GHMPD2).

„Einige der Datensätze, die wir hatten, waren älter: Sie enthielten veraltete Namen für bestimmte Arten oder sie wiesen Fehler auf, weil die Daten von Hand eingegeben worden waren“, sagte Poisot über den zeitaufwändigen Prozess, der dafür erforderlich war maschinelles Lernen. „Danach bestand die Hauptaufgabe darin, das Maß an Vertrauen zu bestimmen, das wir in die Fähigkeit des Modells hatten, Vorhersagen zu treffen.“

Die Forscher konzentrierten sich dann auf 20 Viren, die als besorgniserregend galten und das Potenzial hatten, auf den Menschen überzugreifen.

„Wir haben im Team viele Diskussionen geführt, weil uns einige der Ergebnisse zunächst seltsam vorkamen“, sagte Poisot, der überrascht war, dass das mit Mäusen assoziierte Ectromelia-Virus als eines identifiziert wurde, das man im Auge behalten sollte. „Wir waren skeptisch, aber als wir die Literatur durchsuchten, stellten wir fest, dass es Fälle bei Menschen gegeben hatte.“

Mithilfe des Modells konnten die Forscher auch Regionen lokalisieren, was den Wissenschaftlern dabei helfen könnte, die Virus- und Impfstoffforschung gezielter voranzutreiben.

„Unser Modell macht räumliche Vorhersagen, aber genauer gesagt zeigt das Modell konkret an, in welcher Gruppe von Säugetieren und an welchem ​​Ort bestimmte Virustypen wahrscheinlich vorkommen“, sagte Poisot.

Die Ergebnisse zeigten zwei Bereiche von besonderem Interesse: das Amazonasbecken, wo die Interaktion zwischen Virus und Wirt ursprünglicher ist und neue Interaktionen am wahrscheinlichsten zu beobachten sind; und Afrika südlich der Sahara, wo der Algorithmus neue Wirte identifizierte, die wahrscheinlich zoonotische Viren übertragen.

„Wir verschieben wirklich die Orte, an die wir gehen müssen, um Säugetiere zu untersuchen, um neue Viren zu entdecken“, erklärte Poisot.

Obwohl zoonotische Krankheitserreger viele Formen annehmen können – bakteriell, parasitär, viral – wird ihre Prävalenz voraussichtlich immer häufiger, da menschliche und nichtmenschliche Tiere immer mehr den gleichen Raum einnehmen.

Das Team hofft, dass sein Modell nicht nur neue Ausgangspunkte für die Forschung liefern kann, sondern auch eine Überwachung in der realen Welt ermöglicht. Der nächste Schritt wäre, diese KI auf die nächste Ebene zu heben und mehr mikrobiologische, immunologische und ökologische Mechanismen einzubeziehen, um einen umfassenderen Blick auf ein globales Virom zu erhalten.

„Der Algorithmus nimmt das Netzwerk, das wir bereits kennen, und projiziert es in einen neuen Raum, ein bisschen wie ein Schattentheater: Es wirft ein neues Licht auf Interaktionen“, sagte Poisot. „Wir wissen jetzt, welche Arten wir wo und auf welche Art von Virus überwachen müssen.“

Die Forschung wurde in der Zeitschrift Patterns veröffentlicht.

Quelle: Universität Montreal