Como combater o COVID-19 com o machine learning – Parte 3
Além de encontrar medicamentos e vacina, a tecnologia de machine learning contra o coronavírus pode ajudar na prevenção da doença. Saiba mais:
O aprendizado de máquina, também chamado de machine learning faz parte da tecnologia de inteligência artificial. Combinado com a ciência, pode nos fornecer soluções rápidas para problemas sérios, como a pandemia de COVID-19.
O caminho para a cura pode ser o uso de machine learning contra o coronavírus!
Confira a terceira parte do artigo Como combater o COVID-19 com machine learning e descubra como a IA pode nos ajudar contra a pandemia:
1. Previsão da propagação de doenças infecciosas usando redes sociais
No meio de uma pandemia, quando estamos tentando desenvolver estratégias para trabalhar ativamente contra ela, primeiro precisamos saber onde estamos.
Precisamos responder a perguntas como quantas pessoas estão infectadas? e onde estão essas pessoas?
Infelizmente, as pandemias – especialmente aquelas causadas por vírus – são difíceis e caras de acompanhar. Normalmente, o governo responde a essas perguntas, juntamente com o sistema de saúde. Por exemplo, todos os dias (ou semanas), o órgão responsável conta e divulga o número de novos pacientes diagnosticados com a doença. Mas um dos problemas aqui é que pode haver uma grande lacuna (no tempo e no espaço) entre contrair a doença, desenvolver os primeiros sintomas e testar positivo.
Felizmente, vivemos em um mundo digital. Um agricultor que está começando a desenvolver sintomas pode morar em uma cidade pequena sem hospitais próximos capazes de realizar o teste.
Mas esse mesmo agricultor ainda poderá acessar redes sociais e imediatamente deixar dicas sobre sua saúde e a propagação da doença – dicas que apenas um modelo de machine learning pode aprender a processar em escala.
Ao interpretar o conteúdo das interações públicas nas mídias sociais, um modelo de machine learning avalia a probabilidade de contaminação por novos vírus.
O modelo pode não ser capaz de classificar as pessoas em um nível individual, mas pode usar todos esses dados para estimar a propagação da pandemia em tempo real e prever a propagação nas próximas semanas. O valor dessas informações nos processos de tomada de decisão em meio a uma pandemia em rápida evolução não pode ser exagerado.
2. Compreendendo vírus através de proteína
Entender um vírus como o COVID-19 é entender suas proteínas – se e como ficamos doentes depende inteiramente de como essas proteínas interagem com nosso corpo. Mas interpretá-los não é uma tarefa fácil.
Os casos de uso a seguir fornecem exemplos de como usar o machine learning contra o coronavírus pode ajudar a melhorar nosso entendimento da situação:
2.1 Prevendo interações proteína-proteína do hospedeiro viral
As interações proteína-proteína (IBPs) entre vírus e células do corpo humano determinam as reações do nosso corpo a patógenos. O intertomema vírus-hospedeiro é o mapa inteiro de interações entre as proteínas de um vírus e de um hospedeiro. Esse intertomoma pode ser visto como um plano de como o vírus infecta nosso corpo e se replica em nossas células.
Muitos grupos de pesquisa estão trabalhando para reduzir a vasta gama de possíveis interações. Modelos de machine learning contra o coronavírus, treinados com dados de proteínas, foram usados com sucesso para prever os mais prováveis PPIs hospedeiros de vírus para HIV e H1N1 – reduzindo bastante o esforço necessário para mapear todo o intertomoma hospedeiro. Compreender como um vírus interage com nosso corpo é extremamente importante no desenvolvimento de novos tratamentos e na descoberta de novos medicamentos.
2.2 Prevendo o dobramento de proteínas X desdobrado proteína dobrada
Sabemos que a estrutura de uma proteína está ligada à sua função – e uma vez que essa estrutura é entendida, podemos adivinhar seu papel na célula e os cientistas podem desenvolver drogas que funcionam com o formato exclusivo da proteína.
Mas definir a estrutura 3D de uma proteína não é tarefa fácil: a gama de estruturas possíveis para uma única proteína é astronômica. Uma proteína composta por 100 aminoácidos possui 3.100 conformações possíveis. E existem mais de 1 bilhão de sequências de proteínas conhecidas, mas só conseguimos identificar as estruturas de menos de 0,1% delas.
Usando redes neurais artificiais, os grupos de pesquisa construíram com sucesso modelos que podem prever estruturas proteicas, finalmente, tornando possível a identificação de estruturas proteicas usando métodos computacionais.
3. Descobrir como atacar o vírus
Epítopos são grupos de aminoácidos encontrados na parte externa de um vírus. Os anticorpos se ligam a eles e, assim, nosso sistema imunológico reconhece e elimina o vírus.
Portanto, encontrar e classificar epítopos é essencial para determinar qual parte de uma molécula deve ser alvo quando desenvolvemos vacinas. Comparadas às vacinas tradicionais, que contêm patógenos inativados, as vacinas baseadas em epítopos são mais seguras, pois elas previnem doenças sem o risco de efeitos colaterais potencialmente mortais.
Localizar o epítopo correto pode ser um processo caro e demorado. Com uma nova pandemia, como a do COVID-19, a localização de epítopos acelera o processo de desenvolvimento de vacinas eficazes.
É aqui que o machine learning pode ajudar contra o coronavírus. Máquinas de vetores de suporte (SVM), modelos de Markov ocultos e redes neurais artificiais (especificamente aprendizado profundo) provaram ser mais rápidos e precisos na identificação de epítopos do que os pesquisadores humanos.
4. Identificando hospedeiros no mundo natural
Uma pandemia zoonótica, como a que estamos enfrentando com o novo coronavírus, é uma pandemia causada por uma doença infecciosa que se origina em uma espécie diferente (como morcegos) e se espalha para os seres humanos.
Vírus como Ebola, HIV ou COVID-19 podem sobreviver despercebidos no mundo natural por um longo tempo, aguardando a próxima mutação e a próxima oportunidade de nos infectar.
Eles se escondem em animais, chamados hospedeiros de reservatórios, que não são afetados pela doença. Saber quem são esses hospedeiros de reservatório é vital para combater uma pandemia. Depois que os encontramos, podemos desenvolver estratégias para controlar a propagação da doença e impedir que mais surtos aconteçam.
A abordagem clássica para encontrar hospedeiros em reservatórios pode levar anos de pesquisa. E ainda existem muitos vírus órfãos que não foram compatíveis com um hospedeiro animal. Então o que nós podemos fazer?
Graças aos enormes avanços da tecnologia, o Sequenciamento de Genoma Inteiro (WGS, o processo de determinação da sequência completa de DNA de um organismo) tornou-se barato e rápido.
A pesquisa mostrou que os modelos de machine learning podem usar dados de sequenciamento do genoma juntamente com o conhecimento de especialistas para identificar as espécies que provavelmente agiram como hospedeiras da doença.
Observando um pequeno subconjunto de espécies, podemos acelerar drasticamente o processo de encontrar esses patógenos na natureza.
5. Prevendo o risco de novas pandemias
Prever com precisão se uma cepa de gripe vai dar um salto zoonótico (saltando de uma espécie para outra) pode ajudar médicos e profissionais médicos a antecipar possíveis pandemias e a se preparar adequadamente.
Com o machine learning, os pesquisadores já foram capazes de identificar cepas potencialmente zoonóticas de influenza com altos níveis de precisão. É necessário fazer mais trabalho para estabelecer modelos de previsão para transmissão direta, mas saber quais tipos de influenza provavelmente darão um salto é um primeiro passo importante na preparação para a próxima pandemia.
Crédito: Data Revenue
