人工智能帮助研究人员寻找新的未被发现的变种病毒

　　俄克拉荷马大学道奇家族文理学院的生物学副教授Daniel Becker在过去一年半的时间里一直在领导一项主动建模研究，以确定可能携带新冠病毒beta变异毒株的蝙蝠物种，包括但不限于类似SARS的病毒。 　　发表在《柳叶刀微生物》上的研究“优化预测模型以优先发现人畜共患病储库中的病毒”由Becker、乔治敦大学Bansal实验室的博士后Greg Albery和乔治敦大学全球健康科学和安全中心的助理研究教授Colin J. Carlson指导。 　　它还包括来自爱达荷大学、路易斯安那州立大学、加州大学伯克利分校、科罗拉多州立大学、太平洋路德大学、西奈山伊坎医学院、格拉斯哥大学、蒙特利尔大学、多伦多大学、根特大学、都柏林大学、凯里生态系统研究学院和美国自然历史博物馆的合作者。 　　Becker及其同事的研究是一个名为Verena联盟（viralemergence.org）的国际研究团队更广泛努力的一部分，该团队致力于预测哪些病毒可能感染人类，哪些动物是它们的宿主，以及它们可能出现在哪里。Albery和Carlson是该联盟的共同创始人，Becker是创始成员。 　　gr2.jpg 　　尽管在疾病监测方面进行了全球投资，但仍然难以识别和监测有朝一日可能感染人类的野生动物病毒库。统计模型正被越来越多地用于确定哪些野生动物物种需要在野外取样的优先次序，但任何一个模型所产生的预测都可能是高度不确定的。科学家们也很少在他们做出预测后跟踪其成功或失败的情况，这使得他们很难在未来学习并做出更好的模型。这些限制加在一起，意味着哪些模型可能最适合这项任务，存在着高度的不确定性。 　　在这项研究中，研究人员将携带新冠病毒beta变异毒株的蝙蝠宿主作为一个案例，研究如何动态地使用数据来比较和验证这些可能的贮藏所宿主的预测模型，这是一大类病毒，包括那些对SARS和COVID-19负责的病毒。该研究首次证明机器学习模型可以优化未发现病毒的野生动物采样，并说明了这些模型如何通过预测、数据收集、验证和更新的动态过程得到最佳实施。 　　在2020年第一季度，研究人员训练了8个不同的统计模型，预测哪种动物可能感染新冠病毒beta变异毒株。在一年多的时间里，该团队随后跟踪发现了40个新的beta变异毒株的蝙蝠宿主，以验证最初的预测并动态更新其模型。研究人员发现，利用蝙蝠生态学和进化数据的模型在预测beta变异毒株的新宿主方面表现非常好。相比之下，来自网络科学的尖端模型使用了高水平的数学--但生物数据较少--在随机情况下的表现与预期大致相同或较差。