Bioinformatist telah menggunakan algoritme yang dirancang untuk mensimulasikan bahasa manusia untuk memprediksi bagaimana virus dapat berevolusi untuk bertahan melawan sistem kekebalan.
Salinan salah
Virus menjalani kehidupan siklus yang agak primitif. Mereka menembus sel, melakukan semacam peretasan mekanisme reproduksinya, menciptakan mesin fotokopi untuk jenis mereka sendiri. Replika virus menyebar ke seluruh tubuh dengan tujuan yang sama: menangkap dan menundukkan. Dan seterusnya ad infinitum.
Cukup sering dalam urutan salin-tempel ini, terjadi kesalahan - kegagalan selama penyalinan menimbulkan mutasi. Kadang-kadang mutasi berkaitan dengan tidak adanya protein atau asam amino penting - virus yang begitu sial dikirim ke tong sampah sejarah evolusi. Kadang-kadang mutasi tidak mempengaruhi apa pun: ketika istilah-istilah tersebut diatur ulang dalam urutan protein, jumlahnya tidak berubah.
Tetapi dari waktu ke waktu, mutasi bekerja di tangan virus. Perubahan yang terjadi tidak hanya mencegah virus untuk terus menangkap sel-sel sehat, tetapi juga membantunya melakukannya dengan efisiensi yang lebih tinggi. Mutasi dapat membuat virus tidak dapat dikenali untuk pertahanan kekebalan seseorang. Penyerbu tersebut berhasil menghindari antibodi yang berkembang pada orang yang telah sakit atau divaksinasi, atau untuk "lolos".
Para ilmuwan selalu mencari kemungkinan upaya pelarian virus. Hal ini juga berlaku untuk SARS-CoV-2: strain baru muncul dan para ilmuwan sedang menyelidiki seberapa penting perubahan ini untuk vaksin yang ada (PS Sejauh ini, semuanya beres). Hal yang paling sulit bagi para peneliti virus influenza dan HIV, yang paling baik "menghindari" pertahanan kekebalan tubuh kita.
Ahli virologi mencoba untuk menjadi yang terdepan, jadi mereka membuat mutan mereka sendiri di laboratorium dan melihat apakah mereka dapat melarikan diri dari antibodi yang diambil dari mantan pasien dan divaksinasi. Tetapi pekerjaan ini mirip dengan mencari jarum di tumpukan jerami: variasi mutasi sangat beragam sehingga tidak mungkin untuk memeriksa semuanya. Studi semacam itu dilakukan agar tidak kehilangan kendali relatif atas situasi.
Pengejaan viral
Musim dingin lalu, Brian Hee, seorang ahli bioinformat di MIT dan penggemar berat puisi John Donne , merenungkan masalah ini dan memberikan analogi yang menarik. Bagaimana jika kita melihat urutan viral dengan cara yang sama kita melihat bahasa tertulis? Menurut ilmuwan tersebut, setiap urutan virus memiliki sejenis tata bahasa - seperangkat aturan yang harus diikuti untuk menjadi virus khusus ini.
Jika mutasi memicu "kesalahan tata bahasa", virus memasuki jalan buntu evolusioner. Sama seperti bahasa, urutan virus memiliki semacam semantik yang dapat dibaca oleh sistem kekebalan atau tidak. Jika dia membacanya, maka sistem kekebalan dapat memahami virus tersebut dan menghentikannya dengan menggunakan antibodi atau alat perlindungan lainnya. Melanjutkan analogi, "pelarian" virus dapat dilihat sebagai perubahan yang mengikuti aturan tata bahasa, tetapi mengubah semantiknya menjadi sesuatu yang tidak dibaca oleh kekebalan.
Analoginya tidak hanya indah, tetapi juga memberi Brian Hee gagasan tentang penerapan praktisnya. Selama beberapa tahun terakhir, kecerdasan buatan telah membuat kemajuan besar di bidang linguistik, dengan benar memodelkan prinsip tata bahasa dan semantik bahasa manusia. Jaringan saraf dilatih pada kumpulan data yang terdiri dari milyaran kata dan diurutkan berdasarkan kalimat dan paragraf, dari mana sistem menyimpulkan pola. Sebagai hasil dari pelatihan, algoritme AI "memahami" cara membuat kalimat dengan benar dan di mana harus meletakkan koma. Kita juga dapat mengatakan bahwa dia "memahami" arti urutan kata dan frasa tertentu dan bahkan memperhitungkan konteksnya - semua ini didasarkan pada koefisien yang dipilih dengan benar dari lapisan jaringan saraf.
Arsitektur pola untuk memilih kata tertentu berskala besar, dan itu dijelaskan dengan lebih dan lebih rinci. Misalnya, algoritme pemrosesan bahasa alami paling canggih seperti GPT-3 dari OpenAI belajar membuat teks tata bahasa ideal sambil mempertahankan gayanya.
Baik dalam sastra maupun biologi
Keuntungan utama algoritme kecerdasan buatan adalah skalabilitasnya ke berbagai bidang sains. Untuk model pembelajaran mesin, urutan adalah urutan, di mana pun urutannya dalam soneta lirik atau asam amino.
Menurut Jeremy Howard, seorang peneliti kecerdasan buatan di University of San Francisco dan ahli algoritma pemrosesan bahasa alami, penggunaan algoritma AI dalam penelitian biologi dapat bermanfaat.
Dengan jumlah data yang cukup, misalnya, dari urutan genetik virus menular yang dikenal sains, model tersebut dapat mendeteksi pola dan pola dalam strukturnya.
"Ini akan menjadi model yang sangat kompleks."Kata Jeremy Howard. Brian Hee juga tahu itu. Penasihat ilmiahnya, ahli matematika dan programmer Bonnie Berger, sebelumnya telah melakukan pekerjaan serupa dengan rekan-rekannya di lab, menggunakan AI untuk memprediksi pola pelipatan protein.
Model bahasa untuk influenza, HIV dan coronavirus
Musim semi ini, lab Berger menghidupkan ide Brian Hee. Hasil penelitiannya dipublikasikan di jurnal Science . Tim ini awalnya tertarik pada influenza dan HIV, yang terkenal terkenal sangat ahli dalam menghindari vaksin. Tetapi ketika mereka memulai penelitian pada Maret 2020, genom virus corona baru tersedia, jadi mereka memutuskan untuk menambahkannya ke penelitian juga.
Untuk ketiga virus tersebut, para ilmuwan berfokus pada urutan protein yang mereka gunakan untuk memasuki sel dan bereplikasi, jelas Brian Bryson, seorang bioteknologi, profesor MIT dan salah satu penulis studi tersebut. Urutan yang sama ini adalah target utama respon imun dan kunci untuk menciptakan vaksin yang efektif. Di sini, antibodi menempel pada virus, mencegahnya memasuki sel dan menghukum penghancuran (untuk SARS-CoV-2, ini adalah protein S-spike.) Untuk setiap virus, tim MIT melatih model bahasa menggunakan data urutan genetik alih-alih paragraf dan kalimat biasa.
Setelah beberapa saat, para ilmuwan memeriksa hasil pelatihan model tersebut. Menurut hipotesis para ilmuwan, urutan yang memiliki semantik serupa seharusnya menginfeksi "host" yang sama. Jadi, "bahasa" genetik flu babi harus secara semantik mirip dengan flu babi lainnya dan berbeda dari subtipe influenza lain, misalnya flu burung. Hipotesis para ilmuwan telah dikonfirmasi. Selain itu, mereka menemukan bahwa penyebaran jenis influenza dari waktu ke waktu (misalnya, flu burung tahun 1918 dan 2009) dinilai oleh AI sebagai serupa secara semantik.
Kemudian mereka beralih ke tata bahasa. Seberapa berkorelasi skor virus untuk "tata bahasa" urutan dan kelangsungan hidupnya dalam kehidupan nyata? Para ilmuwan telah mengumpulkan data dari studi sebelumnya yang mengevaluasi kemampuan beradaptasi virus yang bermutasi (seberapa baik mereka menyerang sel dan mereplikasi) untuk ketiga virus tersebut. Mereka kemudian menilai seberapa benar secara tata bahasa urutan ini menurut model. Para peneliti berasumsi bahwa skor yang tinggi untuk parameter ini berarti kemampuan adaptasi virus yang tinggi.
Bryson dan Hee juga ingin tahu apakah AI dapat memprediksi kemunculan virus "melarikan diri". Kemudian mereka membandingkan prediksi model mereka dengan kasus-kasus yang diketahui tentang "pelarian" virus yang sebenarnya. Model virus influenza dianggap paling prediktif. Tidak mengherankan, kumpulan data yang mereka gunakan untuk melatih model ini adalah yang paling lengkap - termasuk rangkaian flu yang terkumpul selama beberapa tahun, termasuk mutasi yang bertahan.
Adapun SARS-CoV-2, para ilmuwan telah menguji hipotesis mereka pada mutan yang dibiakkan secara artifisial. Virus yang ada berulang kali melewati serum dengan antibodi sampai virus bermutasi ke tahap toleran terhadap mereka (kami benar-benar tidak perlu khawatir). Tingkat keberhasilan lebih rendah di sini. Model itu memilih sebagian besar buronan sejati, tapi terkadang salah.
Meski demikian, hasil yang diperoleh memberikan dasar yang baik untuk penelitian lebih lanjut oleh ahli virologi yang ingin memahami bagaimana mekanisme mutasi alam bekerja. “Ini adalah cara yang bagus untuk mempersempit alam semesta dari potensi virus mutan ,” komentar Benhour Lee, seorang ahli mikrobiologi di Icahn School of Medicine di Gunung Sinai.
Ilmuwan menambahkan bahwa prediksi sama baiknya dengan data yang digunakan untuk melatih model. Juga harus diingat bahwa model AI kehilangan beberapa nuansa, karena properti escape tidak selalu merupakan konsekuensi mutasi. HIV adalah buktinya. Kadang-kadang urutan virus ini tidak berubah, dan proteinnya bahkan dikenali oleh antibodi, tetapi dilindungi dengan baik oleh polisakarida yang disebut glycan.
Benhour Lee mencatat bahwa prediksi AI terutama membantu peneliti mengonfirmasi pengetahuan yang ada. Jadi, model tersebut dengan tepat mengidentifikasi dua bagian protein lonjakan SARS-CoV-2, yang, seperti yang ditemukan sebelumnya, lebih rentan terhadap mutasi, dan wilayah urutan virus yang stabil, yang berarti ia merupakan target yang baik untuk antibodi.
Waktu akan memberi tahu penemuan lain apa yang akan ditimbulkan oleh perkiraan model AI. Sejauh ini, para ilmuwan telah menaruh harapan khusus padanya dalam hal mengidentifikasi apa yang disebut mutasi kombinatif, yang mencakup banyak perubahan yang saling melengkapi.
Langkah selanjutnya, yang akan diambil oleh staf Bryson, adalah membuat di laboratorium beberapa mutan SARS-CoV-2 yang diprediksi dan memantau respons mereka terhadap antibodi yang diambil dari orang yang sakit dan divaksinasi. Mereka juga akan menguji beberapa urutan yang dikumpulkan dari upaya untuk mengurutkan sampel virus dari pasien dengan Covid-19, yang menurut model lebih rentan untuk melarikan diri, kata Bryson.
Ilmuwan juga ingin menguji apakah analogi mereka berlaku untuk situasi lain. Dapatkah model serupa memprediksi apakah sistem kekebalan akan menjadi tidak toleran terhadap pengobatan kanker tertentu, atau apakah sel kanker dapat bermutasi dan berhenti merespons pengobatan? Dengan cukup data di tangan, lab Bryson ingin mengujinya juga.
