Michigan Eyalet Üniversitesi'ndeki araştırmacılar tarafından geliştirilen yeni bir makine öğrenimi modeli, SARS-CoV-2 genomundaki mutasyonların virüsü daha bulaşıcı hale getirdiğini öne sürüyor.
Baş araştırmacı Guowei Wei tarafından geliştirilen model, 20.000'den fazla viral genom örneğinden SARS-CoV-2 genotiplemesini analiz etti. Araştırmacılar, birincil olarak enfeksiyonu kolaylaştırmaktan sorumlu bir protein olan başak proteinindeki mutasyonları analiz ettiler ve bilinen altı virüs alt tipinden beşinin artık daha bulaşıcı olduğunu buldular.
Herhangi bir virüste olduğu gibi, çoğu mutasyon nihayetinde iyi huyludur ve enfekte hastalar için çok az risk oluşturur veya hiç yoktur. Hatta bazı mutasyonlar bulaşıcılığı azaltır. Ancak bazı mutasyonlar daha bulaşıcı bir virüse yol açar. Wei ve ekibi, Ocak ayında tespit edilen resmi viral genom örneğindeki değişiklikleri takip ederek, aylarca mutasyon kalıplarını ve konumlarını incelediler ve analiz ettiler.
Wei, "SARS-CoV-2'nin bulaşıcılığı hakkında bilgi sahibi olmak, COVID-19'a karşı önleyici ölçümler ve küresel ekonomiyi yeniden açmak için hayati bir faktördür. Önemli bir soru, bu mutasyonların COVID-19 bulaşması, teşhisi, önlenmesi ve tedavisi üzerindeki sonuçları nelerdir?" dedi. Bilim adamları bağlanma afinitesi olarak bilinen bir kavram yani enfeksiyonun ilk aşamasında başak proteini ile konak reseptörü arasındaki bağlanma etkileşiminin gücü hakkında endişe duyuyorlar.
Wei, "Bağlanma afinitesi güçlenirse viral enfeksiyon artar. Şu anda, 194 olası mutasyon bölgesine sahip spike protein reseptör bağlanma alanı (kısaca RBD) üzerindeki bağlanma arayüzüyle birlikte 50'den fazla mutasyon bulunmuştur." dedi. Wei'nin gelişmiş bir sinir ağı olan makine öğrenme modeli, mevcut bilinen mutasyonların SARS-CoV-2 spike proteininin bağlanma afinitesi üzerindeki etkisini belirlemek için 8.000'den fazla protein etkileşim kaydını analiz etti. Bilinen altı alt tipin beşinde artan bağlanma afinitesini öneren sonuç, mutasyonların bir sonucu olarak enfektivitenin artmış olabileceğini gösterdi.
Wei, "Gelecekteki SARS-CoV-2 alt tiplerinin halk sağlığı için yakın bir tehlike oluşturup oluşturmayacağını bilmek son derece önemlidir. Bu amaçla, RBD boyunca 194 olası mutasyon sahasında olası 3,686 gelecekteki mutasyonların tümünün sistematik bir taramasını gerçekleştirdik." Dedi. Wei'nin modeli, RBD'nin bir bileşen alanı olan reseptör bağlanma motifi üzerindeki çoklu kalıntıların, daha bulaşıcı COVID-19 suşlarına dönüşme şansının yüksek olduğunu tahmin ediyor. Wei, yapay zekâ temelli tahminlerin mevcut deneysel bulgularla tutarlı olmasına rağmen COVID-19'a halk sağlığı tepkisi için hayati önem taşıyan COVID-19 bulaşıcılığı üzerindeki mutasyon etkilerini tam olarak anlamak için daha fazla çalışmaya ihtiyaç olduğu konusunda uyarıyor.
Wei, sonuçların Florida'daki Scripps Araştırma Enstitüsü'ndeki araştırmacılar tarafından yakın zamanda yayınlanan başka bir çalışmanın sonuçlarıyla uyumlu olduğunu söyledi. Bu çalışma, bir laboratuvar ortamında başak protein mutasyonlarını inceledi ve ayrıca virüsün bulaşıcılığını artıracak şekillerde mutasyona uğradığını buldu. Çalışma Ön baskı sunucusu ArXiv'de yayımlandı.
