Το «ιερό δισκοπότηρο» της προετοιμασίας ενάντια σε μια μελλοντική πανδημία είναι το να μπορούν οι ειδικοί να προβλέψουν πώς θα εξελιχθεί ένας ιός, αναλύοντας απλώς τη γενετική αλληλουχία του. Αν και το να επιτευχθεί κάτι τέτοιο αποτελεί προς το παρόν σενάριο του (απώτερου) μέλλοντος, ολοένα και περισσότερες ερευνητικές ομάδες χρησιμοποιούν την Τεχνητή Νοημοσύνη (ΑΙ), προκειμένου να προβλέψουν την εξέλιξη του πανδημικού κορωνοϊού SARS-CoV-2, της γρίπης και άλλων ιών.
Εγκαιρος σχεδιασμός εμβολίων και αντι-ιικών θεραπειών
Οι RNA ιοί, όπως ο SARS-CoV-2, συνεχώς εξελίσσονται…μεταλλασσόμενοι. Ορισμένες από αυτές τις μεταλλάξεις λειτουργούν υπέρ τους, επιτρέποντας στις νέες παραλλαγές τους να ξεφεύγουν από την ανοσία των ξενιστών και να εξαπλώνονται ταχέως. Προβλέποντας πώς ένας ιός θα εξελιχθεί, οι ερευνητές θα μπορούν θεωρητικώς να σχεδιάζουν εγκαίρως εμβόλια και αντι-ιικές θεραπείες.
Μακρύς ο δρόμος για πρόβλεψη παραλλαγών του μακρινού μέλλοντος
Μέχρι σήμερα, όπως αναφέρεται σε άρθρο στην ιστοσελίδα του Nature, τα εργαλεία ΑΙ μπορούν να προβλέψουν ποιες μεμονωμένες μεταλλάξεις ενός ιού θα μπορούσαν να είναι οι πιο «επιτυχημένες» και ποιες παραλλαγές του θα ήταν πιθανό να κυριαρχήσουν βραχυπρόθεσμα. Ωστόσο, τα «έξυπνα» αυτά εργαλεία απέχουν ακόμη πολύ από το να είναι σε θέση να προβλέψουν συνδυασμούς μεταλλάξεων ή παραλλαγές που θα εμφανιστούν στο πιο μακρινό μέλλον.
Τα προηγούμενα πειράματα
Στο παρελθόν, ερευνητές είχαν διεξαγάγει εργαστηριακά πειράματα, προκειμένου να ταυτοποιήσουν παραλλαγές με πιθανές πανδημικές ιδιότητες, ωστόσο αυτού του τύπου τα πειράματα ήταν δύσκολα και χρονοβόρα. Πιο πρόσφατα, ερευνητικές ομάδες όπως αυτή του Γιουνλόνγκ Κάο, ανοσολόγου στο Πανεπιστήμιο του Πεκίνου, διερεύνησαν πώς μεμονωμένες μεταλλάξεις επιδρούν στην ικανότητα ενός ιού να διαφεύγει την ανίχνευση ενός πάνελ αντισωμάτων. Αυτού του τύπου τα πειράματα μπορούν να δώσουν ως έναν βαθμό εξήγηση στην εξέλιξη των ιών, δεν μπορούν όμως να την «αποκρυπτογραφήσουν» πλήρως.
Τα ΑΙ εργαλεία πρόβλεψης
Η εμφάνιση ΑΙ εργαλείων πρόβλεψης των πρωτεϊνικών δομών, όπως το AlphaFold της εταιρείας DeepMind, καθώς και τα ΕSM-2 και ESMFold της Meta έδωσε νέα πνοή στο συγκεκριμένο πεδίο, σύμφωνα με τον Ντέιβιντ Ρόμπερτσον, ιολόγο στο Πανεπιστήμιο της Γλασκώβης.
17 εκατ. αλληλουχίες του SARS-CoV-2 για την εκπαίδευση των μοντέλων
Τα μοντέλα ΑΙ απαιτούν τεράστιο όγκο δεδομένων, προκειμένου να μπορούν να προβλέπουν την εξέλιξη των ιών. Η ενδελεχής αλληλούχηση του SARS-CoV-2, του γνωστού σε όλους μας πλέον κορωνοϊού, που προκαλεί την COVID-19, προσέφερε τέτοιο μεγάλο όγκο δεδομένων. Οι επιστήμονες διαθέτουν πλέον περί τις 17 εκατομμύρια αλληλουχίες του ιού, τις οποίες μπορούν να χρησιμοποιήσουν για να εκπαιδεύσουν τα μοντέλα τους.
Δημιουργώντας «άβαταρ» της πρωτεΐνης-ακίδας
Ένα τέτοιο μοντέλο, το EVEscape, το οποίο αναπτύχθηκε από την Ντέμπορα Μαρκς, στην Ιατρική Σχολή του Χάρβαρντ στη Βοστώνη και την ομάδα της, χρησιμοποιήθηκε, προκειμένου να παραγάγει 83 πιθανές εκδοχές της πρωτεΐνης-ακίδας του SARS-CoV-2, την οποία ο ιός χρησιμοποιεί για να μολύνει τα κύτταρα. Αυτά τα «άβαταρ» της πρωτεΐνης-ακίδας μπορούν να διαφύγουν από τα αντισώματα που παράγονται από άτομα που έχουν εμβολιαστεί ή μολυνθεί με τις τρέχουσες παραλλαγές του ιού και μπορούν να χρησιμοποιηθούν για τον έλεγχο της αποτελεσματικότητας μελλοντικών εμβολίων για την COVID- 19.
Πρόβλεψη της εξάπλωσης και της κυριαρχίας των παραλλαγών του κορωνοϊού
Στο Πανεπιστήμιο του Τόκιο πάλι, μια ερευνητική ομάδα επικεντρώνεται σε ένα άλλο χαρακτηριστικό της εξέλιξης των ιών – την ικανότητα των παραλλαγών τους να εξαπλώνονται ταχέως και να κυριαρχούν. Οι ερευνητές χρησιμοποίησαν το ΑΙ εργαλείο ESM-2, προκειμένου να δημιουργήσουν ένα μοντέλο που ονομάζεται CoVFit και το οποίο προβλέπει την ικανότητα των παραλλαγών του SARS-CoV-2, να εξαπλώνονται και να κυριαρχούν. Το CoVFit εκπαιδεύθηκε σε 13.643 παραλλαγές της πρωτεΐνης-ακίδας του SARS-CoV-2, ενώ τροφοδοτήθηκε και με πειραματικά στοιχεία σχετικά με το πώς μεμονωμένες μεταλλάξεις επιδρούν στην ικανότητα του ιού να διαφεύγει από τα αντισώματα.
Η ομάδα από το Πανεπιστήμιο του Τόκιο είδε ότι το μοντέλο της (το οποίο τροφοδοτήθηκε με δεδομένα σχετικά με τις παραλλαγές που είχαν κυκλοφορήσει ως τον Αύγουστο του 2022) προέβλεψε με επιτυχία την ικανότητα κυριαρχίας κάποιων παραλλαγών, συμπεριλαμβανομένης της ΧΒΒ5, η οποία κυριάρχησε αργότερα μέσα σε εκείνη τη χρονιά.
Τον Μάρτιο του 2024, η κυρίαρχη παγκοσμίως παραλλαγή του SARS- CoV-2 ήταν η JN.1. Το CoVFit κατάφερε να εντοπίσει τρεις αλλαγές σε αμινοξέα, οι οποίες βοήθησαν τη JN.1 να κυριαρχήσει. Οι μεταλλάξεις αυτές έκτοτε εμφανίστηκαν σε παραλλαγές του ιού που εξαπλώθηκαν ταχέως ανά τον κόσμο.
Απαιτούνται δεδομένα πενταετίας για αποτελεσματικότερα μοντέλα ΑΙ
Πάντως, οι επιστήμονες επισημαίνουν πως, προκειμένου να βελτιωθεί η ακρίβεια των ΑΙ μοντέλων απαιτούνται δεδομένα σχετικά με την εξέλιξη των ιών, τα οποία θα καλύπτουν χρονικό διάστημα μεγαλύτερο της πενταετίας.
Πρόβλεψη της εξέλιξης του ιού της γρίπης
Στο Πανεπιστήμιο του Τόκιο, ο εξελικτικός ιολόγος Σουσούκε Καουακούμπο χρησιμοποιεί την ΑΙ, προκειμένου να προβλέψει την εξέλιξη του ιού της γρίπης. Συγκεκριμένα, όπως δείχνει αδημοσίευτη ακόμη μελέτη του, διερευνά την ικανότητα του ιού να επάγει ανοσολογική απόκριση στον ξενιστή του. Σύμφωνα με τα ευρήματα του Καουακούμπο, αν η αιμοσυγκολλητίνη του ιού της γρίπης (αντίστοιχη της πρωτεΐνης-ακίδας του SARS-CoV-2) εμφανίσει αρκετές αλλαγές, τότε ο ιός μπορεί να διαφύγει από το ανοσοποιητικό σύστημα. Αυτό πρακτικά σημαίνει πως αν συμβεί κάτι τέτοιο, οι φαρμακευτικές εταιρείες θα πρέπει να επικαιροποιούν αναλόγως τα εμβόλιά τους.
Απεριόριστη ικανότητα εξέλιξης των ιών
Τα περισσότερα από αυτά τα ΑΙ μοντέλα περιορίζονται στην κατανόηση της επίδρασης μικρών αλλαγών που υφίστανται οι ιοί. Ωστόσο, οι ιοί έχουν ουσιαστικώς απεριόριστη ικανότητα εξέλιξης. Για παράδειγμα, η παραλλαγή Ομικρον του SARS-CoV-2 εμφάνιζε περισσότερες από 50 μεταλλάξεις σε σχέση με τις προηγούμενες κυρίαρχες παραλλαγές του ιού, αφήνοντας άφωνους τους επιστήμονες.
Δύσκολη η πρόβλεψη των μεγάλων εξελικτικών αλμάτων
Τέτοιου είδους μεγάλα και ξαφνικά εξελικτικά άλματα είναι δύσκολο να προβλεφθούν. Ο Ρόμπερτσον και οι συνεργάτες του προσπαθούν τώρα να βρουν τρόπο χρήσης των μοντέλων ΑΙ για την καλύτερη κατανόηση των εξελικτικών αλμάτων που μπορούν να κάνουν οι ιοί, προκειμένου τελικά να προσδιορίσουν ποια είναι τα εξελικτικά τους όρια. Οι ερευνητές έχουν μέχρι στιγμής ανακαλύψει πως αν τροφοδοτήσουν το ESM-2 με μία μόνο αλληλουχία της πρωτεΐνης-ακίδας, το μοντέλο μπορεί να εντοπίσει περιοχές όπου μπορούν να λάβουν χώρα μεταλλάξεις, καθώς και πώς αυτές οι μεταλλάξεις μπορούν να επηρεάσουν άλλες περιοχές της πρωτεΐνης.
«Μοιάζει με μαύρη μαγεία», είπε ο Ρόμπερτσον και κατέληξε τονίζοντας ότι απώτερος στόχος των επιστημόνων είναι να προβλέψουν νωρίς πόσο «χώρο» έχουν οι ιοί για να εξελιχθούν, προτού προκαλέσουν πανδημίες.
