Drexel Üniversitesi'ndeki araştırmacılar, sağlık hizmetlerinin genetik dizilemeyi kullanarak yeni COVID-19 varyantlarına hazırlanmasına yardımcı olabilecek yeni bir bilgisayar modeli oluşturdu.
Yeni model, COVID-19 virüsünün genetik dizilimindeki değişiklikleri ve bulaşma, hastaneye yatış ve ölümdeki artışları analiz ederek, virüsün yeni varyantları için erken uyarı sağlayan makine öğrenimini kullanabiliyor.
Pandeminin başlangıcından iki yıl sonra, bilim insanları ve halk sağlığı yetkilileri hala SARS-CoV-2 virüsünün mutasyonlarının enfeksiyonu nasıl daha bulaşıcı hale getirebileceğini tahmin etmeye çalışıyorlar. Yeni varyantları tanımlamak için gereken genetik verileri toplamak ve analiz etmek zor bir süreçtir. Halihazırda, yeni varyantlarla ilgili çoğu halk sağlığı projeksiyonu, zaten yayıldıkları bölgelerin gözlemlerine ve gözetimine dayanmakta.
Drexel'in Mühendislik Fakültesi'nde projede geliştirmeyi yöneten yardımcı araştırma profesörü Bahrad A Sokhansanj, “Omicron gibi yeni varyantların dünya çapında yayılma hızı, halk sağlığı yetkilileri tarafından, gelişmekte olan ülkelerin nüfuslarının savunmasızlığı da ele alındığında, meteorologlar için gelişmiş hava durumu modellemesi gibi onlara bir erken uyarı sistemi verme çabamız kayda değer. Böylece yeni bir varyantın ne kadar tehlikeli olabileceğini hızlı bir şekilde tahmin edebilir ve buna göre hazırlanabiliriz.” dedi.
Drexel modeli, virüsün spike proteininden verilen genetik dizilimin hedeflenmiş bir analizini kullanıyor. Spike protein, virüsün bağışıklık sisteminden kaçmasına ve sağlıklı hücrelere bulaşmasına izin veren kısmı olarak bilinir. Spike proteini aynı zamanda, virüsün pandemi boyunca en sık mutasyona uğrayan parçası oldu. Drexel modeli ayrıca COVID-19 hastalarının yaşını, cinsiyetini ve coğrafi konumunu da dikkate alıyor.
Araştırma ekibi, GPBoost adlı bir makine öğrenimi algoritması kullandı; bu algoritma, büyük işletmeler tarafından satış verilerini analiz etmek için yaygın olarak kullanılan yöntemlere dayanıyordu. GPBoost, metin analizini kullanarak, virüsün genetik diziliminin büyük olasılıkla varyantın ciddiyetindeki değişikliklerle ilişkili alanlarına girebilir. Drexel modeli, bu kalıpları hasta meta verileri (yaş ve cinsiyet) ve tıbbi sonuçlar (hafif vakalar, hastaneye yatışlar, ölümler) ile karşılaştırıyor. Bu süreç, programın spike proteinde yeni mutasyonlar bulduğunda projeksiyon yapmasına izin veriyor.
Sokhansan, “Bir dizi elde ettiğimizde, laboratuvarlar hayvan modelleri veya hücre kültürü ile deneyler yapmadan önce veya epidemiyolojik veri toplayabileceğiniz yeterli sayıda insan hastalanmadan önce, bir varyanttan ciddi hastalık riski hakkında bir tahminde bulunabiliriz. Başka bir deyişle, modelimiz daha çok ortaya çıkan varyantlar için bir erken uyarı sistemi gibi çalışıyor.” dedi.
Genetik Dizilim Sağlık Hizmetlerinde Verimliliği Artırabilir
Drexel modelinin COVID-19'un tahmine dayalı modellemesine yönelik hedefli yaklaşımı önem taşıyor, çünkü halihazırda toplanmış olan büyük miktardaki genetik dizilim verileri, standart analiz yöntemlerini zorlamıştır. Yeni model, faydalı bilgilerin çıkarılması için daha verimli bir yöntem sağlayacaktır.
Proje üzerinde çalışan Drexel Mühendislik Koleji'nden Profesör Gail Rosen, “Bazı tahminler, SARS-CoV-2'nin mutasyonlar için potansiyel alanın yalnızca %30-40'ı kadar küçük bir kısmını "keşfettiğini" ileri sürüyor. Her mutasyonun virülans ve bağışıklıktan kaçınma gibi temel virüs özelliklerini etkileyebileceğini düşündüğünüzde, bu varyasyonları hızlı bir şekilde tanımlayabilmek ve enfeksiyona karşı savunmasız olanlar için ne anlama geldiklerini anlamak çok önemli görünüyor.” diye ekledi.
Pandeminin başlangıcından iki yıl sonra, bilim insanları ve halk sağlığı yetkilileri hala SARS-CoV-2 virüsünün mutasyonlarının enfeksiyonu nasıl daha bulaşıcı hale getirebileceğini tahmin etmeye çalışıyorlar. Yeni varyantları tanımlamak için gereken genetik verileri toplamak ve analiz etmek zor bir süreçtir. Halihazırda, yeni varyantlarla ilgili çoğu halk sağlığı projeksiyonu, zaten yayıldıkları bölgelerin gözlemlerine ve gözetimine dayanmakta.
Drexel'in Mühendislik Fakültesi'nde projede geliştirmeyi yöneten yardımcı araştırma profesörü Bahrad A Sokhansanj, “Omicron gibi yeni varyantların dünya çapında yayılma hızı, halk sağlığı yetkilileri tarafından, gelişmekte olan ülkelerin nüfuslarının savunmasızlığı da ele alındığında, meteorologlar için gelişmiş hava durumu modellemesi gibi onlara bir erken uyarı sistemi verme çabamız kayda değer. Böylece yeni bir varyantın ne kadar tehlikeli olabileceğini hızlı bir şekilde tahmin edebilir ve buna göre hazırlanabiliriz.” dedi.
Drexel modeli, virüsün spike proteininden verilen genetik dizilimin hedeflenmiş bir analizini kullanıyor. Spike protein, virüsün bağışıklık sisteminden kaçmasına ve sağlıklı hücrelere bulaşmasına izin veren kısmı olarak bilinir. Spike proteini aynı zamanda, virüsün pandemi boyunca en sık mutasyona uğrayan parçası oldu. Drexel modeli ayrıca COVID-19 hastalarının yaşını, cinsiyetini ve coğrafi konumunu da dikkate alıyor.
Araştırma ekibi, GPBoost adlı bir makine öğrenimi algoritması kullandı; bu algoritma, büyük işletmeler tarafından satış verilerini analiz etmek için yaygın olarak kullanılan yöntemlere dayanıyordu. GPBoost, metin analizini kullanarak, virüsün genetik diziliminin büyük olasılıkla varyantın ciddiyetindeki değişikliklerle ilişkili alanlarına girebilir. Drexel modeli, bu kalıpları hasta meta verileri (yaş ve cinsiyet) ve tıbbi sonuçlar (hafif vakalar, hastaneye yatışlar, ölümler) ile karşılaştırıyor. Bu süreç, programın spike proteinde yeni mutasyonlar bulduğunda projeksiyon yapmasına izin veriyor.
Sokhansan, “Bir dizi elde ettiğimizde, laboratuvarlar hayvan modelleri veya hücre kültürü ile deneyler yapmadan önce veya epidemiyolojik veri toplayabileceğiniz yeterli sayıda insan hastalanmadan önce, bir varyanttan ciddi hastalık riski hakkında bir tahminde bulunabiliriz. Başka bir deyişle, modelimiz daha çok ortaya çıkan varyantlar için bir erken uyarı sistemi gibi çalışıyor.” dedi.
Genetik Dizilim Sağlık Hizmetlerinde Verimliliği Artırabilir
Drexel modelinin COVID-19'un tahmine dayalı modellemesine yönelik hedefli yaklaşımı önem taşıyor, çünkü halihazırda toplanmış olan büyük miktardaki genetik dizilim verileri, standart analiz yöntemlerini zorlamıştır. Yeni model, faydalı bilgilerin çıkarılması için daha verimli bir yöntem sağlayacaktır.
Proje üzerinde çalışan Drexel Mühendislik Koleji'nden Profesör Gail Rosen, “Bazı tahminler, SARS-CoV-2'nin mutasyonlar için potansiyel alanın yalnızca %30-40'ı kadar küçük bir kısmını "keşfettiğini" ileri sürüyor. Her mutasyonun virülans ve bağışıklıktan kaçınma gibi temel virüs özelliklerini etkileyebileceğini düşündüğünüzde, bu varyasyonları hızlı bir şekilde tanımlayabilmek ve enfeksiyona karşı savunmasız olanlar için ne anlama geldiklerini anlamak çok önemli görünüyor.” diye ekledi.
Kaynak
Bu rehber yardımcı oldu mu?
DoktorClub’da Keşfet
