수십 년마다, 전염병 유체 변종이 인간을 감염시킬뿐만 아니라 사람마다 빠르게 지나가는 유행성 유체 변종이 나타납니다. 이번 봄에 중국에서 130 명 이상의 사람들이 가금류와 밀접하게 접촉 한 H7N9 Avian 독감 바이러스는 아직 사람들 사이에서 전염성이 없었습니다. 그러나 인간이 바이러스와 싸우기위한 항체가 없다는 것을 감안할 때, 높은 치명적인 비율 (감염된 사망)과 이번 가을이나 겨울에 부활 할 수있는 가능성은 과학자와 공중 보건 당국이 신비를 풀기 위해 경주하고 있습니다.
.H7N9의 최근 연구에 따르면 종종 인간 독감 전송을 모델링하는 데 사용되는 흰 족제비를 통과 할 수 있습니다. 바이러스가 사람들 사이에 쉽게 퍼질 수있는 능력을 얻는다면, 2009 년 H1N1 돼지 독감 전염병보다 더 치명적일 가능성이 있습니다.
Columbia University의 생물학에서 일하는 이론 물리학자인 Raul Rabadan과 같은 연구원들은 일반적으로 조류 나 돼지를 감염시키는 바이러스가 갑자기 갑자기 인간에게 뛰어 들어 쉽게 전염 될 수있는 바이러스를 이해하고 싶어합니다.“바이러스가 인간 병원체가되는 바이러스에 기여하는 특정 돌연변이는 무엇입니까?” 그는 설명했다.
전통적으로,이 질문에 대답하려면 다른 바이러스의 DNA 또는 단백질 서열의 고통스러운 비교가 필요했을 것입니다. 바이러스 시퀀스의 빠르게 성장하는 데이터베이스로 무장 한 과학자들은 이제 정교한 기계 학습 기술을 사용하고 있습니다 - 컴퓨터가 제공 한 데이터를 기반으로 알고리즘을 개발하는 인공 지능의 지점 - H7N9와 같은 바이러스의 주요 특성을 식별합니다. 이러한 특성을 알면 연구자들이 가장 위험한 새로운 독감 균주를 식별하고보다 효과적인 백신으로 이어질 수 있습니다. 가장 중요한 것은 과학자들이 이제 수백 또는 수천 개의 독감 균주를 동시에 볼 수 있으며, 이는 인간 전염을 가능하게하는 다른 바이러스 또는 광범위한 변형에 걸쳐 공통 메커니즘을 드러낼 수 있습니다.
.이스라엘 텔 아비브 대학교 (Tel Aviv University)의 전산 생물 학자 인 니르 벤-랄 (Nir Ben-Tal)은“이 분야를 급격히 변화시키고있다”고 말했다.
연구원들은 또한 이러한 접근법을 사용하여 일부 바이러스를 다른 바이러스보다 더 해롭게하는 것과 면역 반응을 유발하는 바이러스의 능력에 영향을 미치는 요인을 포함하여 광범위한 바이러스 성 미스터리를 조사하고 있습니다. 후자는 궁극적으로 독감 백신의 발달에 도움이 될 수 있습니다. 7 월에 발표 된 연구는 인간 면역계의 독감에 대한 차이를 분석하여 H1N1과 싸우는 개인의 능력에 영향을 미치는 유전자 변이를 처음으로 식별했습니다. 머신 러닝 기술은 미스터리 바이러스의 동물 공급원을 식별하기위한 미래의 노력을 가속화 할 수도 있습니다.
돼지 독감 계산
돼지 또는 조류 바이러스를 인간의 바이러스로 변형시키는 돌연변이를 확인하기 위해 과학자들은 전통적으로 사람들을 감염시키는 능력을 개발하기 전과 후에 바이러스 균주의 단백질 서열을 비교했습니다. 연구자들은 바이러스에 호스트 세포에 바이러스에 결합하는 단백질 인 헤 마글 루티 닌과 같은 전염에 중요한 것으로 알려진 영역에 중점을 둔 차이에 대한 서열을 수동으로 평가해야했다. 이 방법의 힘든 특성은 연구자들이 한 번에 수십 바이러스 만 볼 수 있음을 의미했습니다.
멤피스에있는 세인트 주드 어린이 연구 병원의 바이러스 학자 인 리차드 웹 비 (Richard Webby)는“이것은 상당히 조잡한 접근법입니다.
연구원들이 후보 돌연변이를 확인한 후에, 그들은 그 후보자들을 비인간 바이러스로 유전자 조작하여 효과를 조사 할 수있다. 이 접근법은 아마도 유행성 돼지 독감 및 다른 FLU에 기여한 돌연변이를 확인했지만 몇 가지 단점이 있습니다. 예를 들어,이 방법에는 잠재적으로 위험한 바이러스를 생성하는 것이 포함될 수 있습니다. 2012 년 H5N1 Bird 독감에 대해 발표 된 두 가지 논문은 일반적으로 사람들 사이에 퍼지지 않으며 연구자들은 바이러스가 흰 족제비 사이에 더 잘 퍼질 수 있도록 돌연변이를 도입했기 때문에 분노를 일으켰습니다. 비평가들은 이번 발견이 생물 테러리스트에 의해 채택 될 수 있다고 우려했지만, 그 연구는 결국 공개되었다.
이 접근법은 또한 인간 전염성 메커니즘에 대한 사전 지식을 요구하여 새로운 메커니즘을 발견하는 능력을 제한합니다. Webby는“그들은 사람들이 알고있는 일부 돌연변이로 과정을 시작해야했습니다. "전산적 접근법은 초기 단계에서 생물학에 의존하지 않으므로 생물학적 접근 방식이없는 곳에서 효과가있을 수 있습니다."
.2011 년, Ben-Tal, Webby 및 그들의 공동 작업자는 머신 러닝을 최초로 사용하여 2009 H1N1 유행성 돼지 독감의 단백질 서열을 수백 개의 다른 돼지 바이러스와 비교했습니다. 그들은 돼지에서 사람들로의 점프에 책임이있을 수있는 변화를 찾고있었습니다. “그 전에는 인간에게 많은 감염이 있었지만 인간과 인간의 확산은 보지 못했습니다.
기계 학습 알고리즘은 20 년 이상 DNA 및 단백질 서열을 연구하는 데 사용되었지만 지난 몇 년 동안 과학자들은 바이러스에 적용했습니다. 분석에 이용 가능한 늘어난 바이러스 서열 데이터에서 영감을 얻은 Ben-Tal의 팀은 감독 학습이라는 접근법을 사용했습니다. 이 방법으로 알고리즘을 훈련시키는 데 사용되는 각 입력 데이터는 범주로 태그됩니다.이 경우 바이러스 서열이 돼지 또는 인간으로부터 파생되었는지 여부. 결과 알고리즘은 바이러스를 적절한 그룹 인 인간 또는 돼지로 정확하게 분류 할 수있는 의사 결정 트리를 정의합니다. 나무의 노드는 그룹을 안정적으로 구별하는 특정 아미노산 또는 단백질의 빌딩 블록을 가리 킵니다. Ben-Tal은 교대 의사 결정 트리 알고리즘이라고 불리는이 특정 접근법은 기계 학습의 표준이지만 팀의 연구 전에 생물학적 데이터에 거의 적용되지 않았다고 말했다.
이 연구에서, 연구자들은 돼지에 남아있는 바이러스와 인간 바이러스를 구별하는 13 개의 아미노산 변화와 표준 계절 FLU와 유행성 균주를 구별하는 추가 10 개의 아미노산 변화를 확인했습니다. 과학자들이 더 자세히 분석 한 이들 후보 중 하나 이상이 바이러스의 위험한 변화를 설명 할 수 있습니다. (Ben-Tal, Webby 및 그들의 공동 작업자는 곧 H1N1이 유행성 바이러스가되는 데 도움이 된 돌연변이를 특징으로하는 논문을 출판 할 것입니다.)
계산 접근법의 주요 이점 중 하나는 연구자들이 표준 목표를 넘어서서 전이성과 같은 특성에 관여하는 것으로 알려진 게놈의 영역을 넘어 볼 수 있다는 것입니다. 예를 들어, 후보 돌연변이 중 일부는 근처에 있지만 헤 마글 루티 닌이 숙주 세포에 결합하는 특정 부위 외부에 있습니다.
Webby는“중요한 잔류 물은 우리가 예측 한 단백질의 일부가 아니 었습니다. "나는 변화를 보는 오래된 방법을 사용했다면 단백질의 특정 부분을 보지 않았을 것입니다."
.소설 바이러스
Columbia의 Rabadan과 Collaborators는 현재 이러한 바이러스 특성을보다 광범위하게 탐색하기 위해 유사한 접근 방식을 사용하여 60,000 개 이상의 바이러스 게놈 데이터베이스를 분석하고 있습니다. 많은 수는보다 강력한 통계 분석을 가능하게하고 가장 중요한 유전 적 변화를 정확히 찾아내는 데 도움이된다고 Rabadan은 말했다. H1N1 연구에서 바이러스가 인간에게 점프 한 특정 변화를 찾았지만 Rabadan의 팀은 다른 바이러스에 공통적 인 메커니즘을 식별하기를 희망합니다. 예를 들어, 두 종류의 바이러스가 수렴 진화로 알려진 현상 인 동일한 유전자 변화를 개발한다면, 우연히 발생하는 것이 아니라 인간 전염과 같은 연구중인 기능에 변화가 실제로 관련 될 수 있음을 시사합니다. Rabadan은“우리는 한 번에 한 번의 발발을 보지 않는 힘이 있습니다.
연구원들은 후보 돌연변이 목록을 편집했으며, 그 중 일부는 이미 인간 전파에서 역할을하는 것으로 확인되었습니다. 새로운 후보자들에게, 연구자들은 현재 인간 세포 라인에서 이러한 돌연변이로 바이러스를 연구하여 인간 세포를 얼마나 효율적으로 감염시킬 수 있는지 알아 보았습니다.
아직 전염성이없는 바이러스를 분석하는 데있어 접근 방식이 얼마나 성공할 것인지는 아직 명확하지 않습니다. Ben-Tal은 그의 그룹은 처음에 H7N9와 마찬가지로 사람들 사이에 쉽게 퍼질 수있는 능력이 부족한 H5N1 바이러스에 대한 접근 방식을 처음 시도했지만 인간 버전에 고유 한 아미노산 변화를 식별하는 것이 훨씬 어렵다는 것을 발견했습니다. (H1N1 사례와 달리 H5N1 및 H7N9와 관련된 사람들은 주로 조류와 밀접한 접촉을 한 사람들에게 제한되었습니다.)
Ben-Tal은“이 데이터는 상이한 아미노산 위치와 감염된 인간에서 돌연변이 된 상이한 조류 균주의 모음을 나타낸다”고 말했다. "이것은 조류에서 인간 종의 장벽을 가로 지르는 많은 돌연변이가 있다는 것을 의미 할 수 있기 때문에 흥미 롭습니다." 그러나 특정 범인을 식별하는 것은 어려운 일입니다. 그는 H7N9가 같은 이유로 분석하기가 어려울 수 있다고 말했다.
한편, 시애틀의 프레드 허친슨 암 연구 센터 (Fred Hutchinson Cancer Research Center)의 연구원 인 Tomer Hertz와 St. Jude 's Children's Hospital 및 다른 곳의 공동 작업자는 기계 학습을 사용하여 이러한 바이러스 균주에 대한 인간 면역 체계의 반응을 연구하고 있습니다. 7 월에 그들은 개인의 면역 프로파일이 그 사람이 새로운 인플루엔자 균주와 얼마나 잘 싸울 수 있는지에 영향을 미친다는 새로운 연구를 발표했습니다.
H1N1, H7N9 및 H5N1과 같은 새로운 바이러스가 너무 위험한 주된 이유는 인간이 기존의 공격 및 중화 능력이 거의 없거나 전혀 없기 때문입니다. 백신 또는 이전 감염으로부터의 항체가 없기 때문에, 인간 면역계는 외래 단백질을 공격하는 T 세포와 짧은 조각의 바이러스 단백질에 결합하는 인간 백혈구 항원 (HLA)에 의존한다. 그런 다음 바이러스 단백질의 덩어리가 T 세포에 제시되어 다른 과정을 제거하여 제거합니다.
HLA 유전자는 매우 다양합니다. 인구는 수천 가지 품종을 운반하지만 각 개인은 12 개만 보유하고 있습니다. Hertz와 공동 작업자는 이전에 일부 HLA 단백질이 바이러스의 보존 된 영역을 표적화하는 것이 더 우수하고, 시간이 지남에 따라 안정적으로 유지되고 다른 균주에 걸쳐 유사하다는 것을 보여주었습니다. 면역계가 가장 광범위한 바이러스 수집을 목표로 할 수 있습니다. 실제로, 개인의 HLA 프로파일은 HIV를 포함한 특정 바이러스에 반응하는 방식에 영향을 줄 수 있습니다. HIV 감염 후 AIDS를 개발하지 않는 사람들은 특정 HLA 변이체를 가질 가능성이 높습니다. Hertz의 팀은 바이러스의 보존 된 부분을 목표로하는 데 더 효과적인 변종을 보여주었습니다.
National Sciences Academy of Sciences의 절차에 발표 된 새로운 연구의 경우, 연구원들은 계산 접근법을 사용하여 HLA 변형이 보존 된 바이러스 영역을 표적화하는 데 덜 효과적인 사람들이 약한 면역 반응을 보여줍니다. 계산 분석은 HLA-A*24로 알려진 특정 클래스의 HLA 변형이 특히 효과적이지 않습니다.
이 연구는 또한 H1N1로부터 사망률이 높은 국가가 HLA-A*24 대립 유전자의 빈도가 높은 경향이 있음을 발견했습니다. 또한 미국과 호주 내에서 아메리카 원주민과 원주민 인구는이 변형 가족의 비율이 더 높으며 둘 다 주변 인구보다 더 높은 사망률을 겪었습니다. Hertz는 HLA-A*24 대립 유전자 사이의 인과 관계와 H1N1의 사망 위험이 더 큰 인과 관계를 확인하기위한 추가 작업이 필요하다고 말했다.
.H1N1 연구에서 Ben-Tal 및 Webby와 공동 작업 한 Hertz는이 작업은 바이러스 및 면역계 데이터의 급속한 소스로 인해 빠르게 성장함으로써 가능하다고 말했다. "우리는 몇 년 전에이 아이디어를 가지고 있었지만 지금까지는 그것이 실현 가능하다고 생각하지 않았다"고 그는 말했다.
인플루엔자 외에도 컬럼비아의 수학자 인 라바 단과 크리스 위긴 스는 바이러스의 원래 동물 숙주를 식별하는 방법을 개발했는데, 이는 때로는 바이러스 자체에서 결정하기가 어렵습니다. 예를 들어, 최근 중동 호흡기 증후군이 발발 한 코로나 바이러스는 100 건 이상의 확인 된 사례의 거의 절반을 죽였습니다. 지난 주, 철저한 15 개월의 검색이 소스로 박쥐를 가리 켰습니다. 그러나 많은 다른 동물 호스트의 바이러스에 대한 대형 데이터베이스와 짝을 이루는 기계 학습 접근 방식은 이러한 유형의 검색 속도를 높일 수 있습니다.
더 많은 게놈 정보가 이용 가능 해짐에 따라 기계 학습 방식이 확장 될 가능성이 높습니다. Webby는“데이터베이스는 훨씬 더 풍부해질 것이며 계산 접근 방식은 훨씬 더 강력해질 것입니다. 이를 통해 과학자들은 신흥 독감 균주를 더 잘 모니터링하고 그 영향을 예측하는 데 도움이 될 것입니다. 바이러스가 사람들에게 점프 할 가능성이 높고 그것이 얼마나 위험 할 가능성이 있는지 이상적으로 예측합니다.
.
