Ένα άγνωστο μέχρι σήμερα βακτήριο μπορεί να βρίσκεται στα λύματα, να περνά απαρατήρητο από τις συμβατικές μεθόδους ανίχνευσης και να διαθέτει χαρακτηριστικά που θα μπορούσαν, υπό ορισμένες συνθήκες, να του επιτρέψουν να προκαλέσει λοίμωξη στον άνθρωπο. Σε μια εποχή κατά την οποία οι επιστήμονες έρχονται αντιμέτωποι με νέους και ανεπαρκώς μελετημένους μικροοργανισμούς, η δυνατότητα έγκαιρου εντοπισμού μιας πιθανής απειλής αποκτά ιδιαίτερη σημασία για τη δημόσια υγεία.
Μέχρι σήμερα, η αξιολόγηση ενός βακτηρίου βασιζόταν σε μεγάλο βαθμό στη σύγκρισή του με ήδη γνωστά παθογόνα. Όταν, όμως, ένας μικροοργανισμός δεν έχει στενούς συγγενείς στις επιστημονικές βάσεις δεδομένων, η αναγνώριση των πιθανών κινδύνων του γίνεται πολύ πιο δύσκολη. Σε αυτό το κενό επιχειρεί να δώσει απάντηση το PathogenFinder2, ένα νέο εργαλείο τεχνητής νοημοσύνης που αναλύει τη «γλώσσα» των βακτηριακών πρωτεϊνών.
Πώς λειτουργεί το εργαλείο PathogenFinder2
Το PathogenFinder2 αναπτύχθηκε από ερευνητές του Τεχνικού Πανεπιστημίου της Δανίας, του Τεχνικού Πανεπιστημίου του Μονάχου και της φαρμακευτικής εταιρείας Bristol Myers Squibb. Τα αποτελέσματα της μελέτης τους δημοσιεύθηκαν στο επιστημονικό περιοδικό Bioinformatics.
Η λειτουργία του συστήματος βασίζεται στις πρωτεΐνες που μπορεί να παράγει ένα βακτήριο, σύμφωνα με τις γενετικές πληροφορίες του. Αρχικά, το εργαλείο εξετάζει το βακτηριακό γονιδίωμα και προβλέπει ποιες πρωτεΐνες αντιστοιχούν σε αυτό. Στη συνέχεια, κάθε πρωτεΐνη μετατρέπεται σε αριθμητική αναπαράσταση με τη βοήθεια του συστήματος τεχνητής νοημοσύνης ProtT5, το οποίο έχει σχεδιαστεί για την ανάλυση της δομής και της λειτουργίας των πρωτεϊνών.
Τα επιμέρους δεδομένα συνδυάζονται και αναλύονται από ένα μοντέλο βαθιάς μάθησης. Το μοντέλο αναζητά μοτίβα στο συνολικό πρωτεϊνικό προφίλ του βακτηρίου και εκτιμά κατά πόσο ο συγκεκριμένος συνδυασμός χαρακτηριστικών συνδέεται με πιθανή ικανότητα πρόκλησης λοίμωξης στον άνθρωπο.
Η προσέγγιση αυτή είναι σημαντική, επειδή η παθογόνος δράση ενός βακτηρίου δεν εξαρτάται πάντοτε από ένα μόνο γονίδιο. Συχνά αποτελεί αποτέλεσμα της συνεργασίας πολλών πρωτεϊνών. Ορισμένες διευκολύνουν την προσκόλληση του βακτηρίου στους ανθρώπινους ιστούς, άλλες το βοηθούν να αποφεύγει την άμυνα του ανοσοποιητικού συστήματος, ενώ κάποιες μπορεί να συμμετέχουν στην παραγωγή τοξινών ή στη μεταφορά επιβλαβών ουσιών μέσα στα κύτταρα.
Έτσι, αντί να αναζητά αποκλειστικά γνωστά γονίδια που έχουν συνδεθεί με παθογόνα, το PathogenFinder2 εξετάζει ευρύτερα βιολογικά μοτίβα. Αυτό του επιτρέπει να αξιολογεί και μικροοργανισμούς που δεν έχουν στενούς συγγενείς ή προηγούμενη καταχώριση στις διαθέσιμες βάσεις δεδομένων.
Εκπαίδευση σε περισσότερα από 21.000 βακτηριακά γονιδιώματα
Για την εκπαίδευση του μοντέλου, οι ερευνητές συγκέντρωσαν 16.297 γονιδιώματα βακτηρίων που είναι γνωστό ότι προκαλούν λοιμώξεις στον άνθρωπο και 4.882 γονιδιώματα μικροοργανισμών που θεωρούνται ακίνδυνοι.
Στη δεύτερη κατηγορία περιλαμβάνονταν βακτήρια της φυσιολογικής μικροβιακής κοινότητας του εντέρου υγιών ανθρώπων, μικροοργανισμοί που χρησιμοποιούνται στην παραγωγή τροφίμων ζύμωσης, όπως το τυρί και το κεφίρ, αλλά και βακτήρια που προέρχονται από ακραία περιβάλλοντα, όπως οι θερμές πηγές και οι υποθαλάσσιες υδροθερμικές πηγές.
Οι ερευνητές διαχώρισαν αυστηρά τα δεδομένα εκπαίδευσης από εκείνα που χρησιμοποιήθηκαν για την αξιολόγηση του εργαλείου. Κανένα βακτηριακό είδος από το σύνολο ελέγχου δεν περιλαμβανόταν στα δεδομένα εκπαίδευσης. Με αυτόν τον τρόπο προσπάθησαν να διαπιστώσουν αν το σύστημα μπορεί να αναγνωρίζει πραγματικά άγνωστους μικροοργανισμούς και όχι απλώς να ανακαλεί πληροφορίες που είχε ήδη επεξεργαστεί.
Σε δοκιμή με 4.286 γονιδιώματα ειδών που απουσίαζαν από τα δεδομένα εκπαίδευσης, το PathogenFinder2 ξεπέρασε άλλα εργαλεία, μεταξύ των οποίων τα BacPacs, WSPC και DeePac, καθώς και μια επανεκπαιδευμένη έκδοση του αρχικού PathogenFinder.
Τεχνητή νοημοσύνη που εξηγεί τις προβλέψεις της
Ένα ακόμη σημαντικό χαρακτηριστικό του PathogenFinder2 είναι ότι δεν περιορίζεται σε μια απλή εκτίμηση κινδύνου. Μπορεί επίσης να υποδείξει ποιες πρωτεΐνες επηρέασαν περισσότερο το τελικό αποτέλεσμα.
Αυτό επιτυγχάνεται μέσω ενός μηχανισμού προσοχής, γνωστού ως attention mechanism. Ο μηχανισμός αναδεικνύει τα στοιχεία στα οποία βασίστηκε περισσότερο η πρόβλεψη, προσφέροντας στους ερευνητές μια εικόνα για το «σκεπτικό» του μοντέλου.
Στα βακτήρια που εκτιμήθηκε ότι ενδέχεται να είναι παθογόνα, το σύστημα εντόπισε πρωτεΐνες οι οποίες συνδέονται με την παραγωγή τοξινών, την προσκόλληση στα ανθρώπινα κύτταρα και την εισαγωγή επιβλαβών ουσιών στα κύτταρα του ξενιστή. Αντίθετα, στα βακτήρια που χαρακτηρίστηκαν πιθανότατα ακίνδυνα, αναδείχθηκαν πρωτεΐνες που σχετίζονται με λειτουργίες όπως η διάσπαση σακχάρων και η παραγωγή αντιμικροβιακών ουσιών.
Η δυνατότητα ερμηνείας των αποτελεσμάτων είναι ιδιαίτερα χρήσιμη, καθώς βοηθά τους επιστήμονες να σχεδιάζουν τα επόμενα εργαστηριακά πειράματα και να αξιολογούν με μεγαλύτερη ακρίβεια τις ενδείξεις κινδύνου.
Τι έδειξε η ανάλυση δειγμάτων λυμάτων
Η πιο ενδιαφέρουσα δοκιμή πραγματοποιήθηκε σε 2.739 βακτηριακά γονιδιώματα που ανασυντέθηκαν από δείγματα λυμάτων διαφορετικών περιοχών του κόσμου. Πολλά από αυτά αντιστοιχούσαν σε νέα είδη, χωρίς στενούς συγγενείς στις υπάρχουσες επιστημονικές βάσεις δεδομένων.
Το PathogenFinder2 εκτίμησε ότι 370 βακτήρια θα μπορούσαν δυνητικά να μολύνουν τον άνθρωπο. Παράλληλα, 1.839 βακτήρια χαρακτηρίστηκαν πιθανότατα ακίνδυνα, ενώ για 530 μικροοργανισμούς το σύστημα δεν μπόρεσε να εξαγάγει ασφαλές συμπέρασμα.
Οι ερευνητές εντόπισαν επίσης επτά διακριτές ομάδες πιθανών παθογόνων μικροοργανισμών. Ορισμένες από αυτές περιλάμβαναν βακτηριακές οικογένειες που δεν είχαν συνδεθεί στο παρελθόν με ασθένειες στον άνθρωπο. Ωστόσο, ένας επίσημος στατιστικός έλεγχος δεν επιβεβαίωσε την ύπαρξη συγκεκριμένου μοτίβου που να συνδέεται με την πρόκληση ασθενειών στα νεοεντοπισμένα βακτήρια.
Εργαλείο έγκαιρης προειδοποίησης, όχι εργαστηριακής διάγνωσης
Το PathogenFinder2 διατίθεται δωρεάν στο διαδίκτυο, ενώ προσφέρεται και ως πρόγραμμα που μπορούν να μεταφορτώσουν και να χρησιμοποιήσουν ερευνητικά εργαστήρια και υπηρεσίες δημόσιας υγείας. Η αξιοποίησή του θα μπορούσε να επιταχύνει τον εντοπισμό μικροοργανισμών που αξίζει να εξεταστούν περαιτέρω, περιορίζοντας τον χρόνο που απαιτείται για την αξιολόγηση τεράστιου όγκου γενετικών δεδομένων.
Αυτό, όμως, δεν σημαίνει ότι κάθε βακτήριο που χαρακτηρίζεται δυνητικά επικίνδυνο αποτελεί επιβεβαιωμένη απειλή ή ότι θα προκαλέσει ασθένεια στον άνθρωπο. Οι προβλέψεις της τεχνητής νοημοσύνης δεν αντικαθιστούν την καλλιέργεια, τις εργαστηριακές δοκιμές, τις επιδημιολογικές έρευνες και την επιστημονική επιβεβαίωση.
Το σημαντικότερο πλεονέκτημα του PathogenFinder2 είναι ότι μπορεί να λειτουργήσει ως σύστημα έγκαιρης προειδοποίησης. Βοηθά τους επιστήμονες να εντοπίζουν νωρίτερα τα μικρόβια στα οποία πρέπει να στρέψουν την προσοχή τους και να διαθέτουν αποτελεσματικότερα τους διαθέσιμους πόρους. Σε έναν κόσμο όπου η κλιματική αλλαγή, η αποψίλωση των δασών και η αύξηση του παγκόσμιου εμπορίου φέρνουν τους ανθρώπους σε επαφή με ολοένα περισσότερους μικροοργανισμούς, το εργαλείο αυτό μπορεί να αποτελέσει ένα ακόμη σημαντικό μέσο προστασίας της δημόσιας υγείας.
