A maioria das doenças infecciosas emergentes em humanos (como COVID-19) são zoona³ticas - causadas por va­rus origina¡rios de outras espanãcies animais. A identificação precoce de va­rus de alto risco pode melhorar as prioridades de pesquisa e vigila¢ncia. Um estudo publicado na PLOS Biology em 28 de setembro por Nardus Mollentze, Simon Babayan e Daniel Streicker da University of Glasgow, Reino Unido, sugere que o aprendizado de ma¡quina (um tipo de inteligaªncia artificial) usando genomas virais pode prever a probabilidade de qualquer va­rus infectante de animais ira¡ infectar humanos, dada a exposição biologicamente relevante.

Identificar doenças zoona³ticas antes da emergaªncia éum grande desafio porque apenas uma pequena minoria dos estimados 1,67 milhões de va­rus animais são capazes de infectar humanos. Para desenvolver modelos de aprendizado de ma¡quina usando sequaªncias do genoma viral, os pesquisadores primeiro compilaram um conjunto de dados de 861 espanãcies de va­rus de 36 fama­lias. Eles então construa­ram modelos de aprendizado de ma¡quina, que atribua­ram uma probabilidade de infecção humana com base na taxonomia do va­rus e / ou relação com va­rus conhecidos que infectam humanos. Os autores então aplicaram o modelo de melhor desempenho para analisar padraµes no potencial zoona³tico previsto de genomas de va­rus adicionais amostrados de uma variedade de espanãcies.

Os pesquisadores descobriram que os genomas virais podem ter caracteri­sticas generaliza¡veis ​​que são independentes das relações taxona´micas do va­rus e podem pré-adaptar os va­rus para infectar humanos. Eles foram capazes de desenvolver modelos de aprendizado de ma¡quina capazes de identificar zoonoses candidatas usando genomas virais. Esses modelos tem limitações, pois os modelos de computador são apenas uma etapa preliminar da identificação de va­rus zoona³ticos com potencial para infectar humanos. Os va­rus sinalizados pelos modelos exigira£o testes laboratoriais de confirmação antes de realizar grandes investimentos adicionais em pesquisas. Além disso, embora esses modelos prevejam se os va­rus podem infectar humanos, a capacidade de infectar éapenas uma parte do risco zoona³tico mais amplo, que também éinfluenciado pela virulência do va­rus em humanos, capacidade de transmissão entre humanos,

De acordo com os autores, "Nossos resultados mostram que o potencial zoona³tico dos va­rus pode ser inferido em uma extensão surpreendentemente grande de sua sequaªncia de genoma . Ao destacar os va­rus com maior potencial para se tornarem zoona³ticos, a classificação baseada no genoma permite uma caracterização ecola³gica e virola³gica adicional para ser direcionado de forma mais eficaz. "

"Essas descobertas adicionam uma pea§a crucial a  já surpreendente quantidade de informações que podemos extrair da sequaªncia genanãtica de va­rus usando técnicas de IA", acrescenta Babayan. "Uma sequaªncia gena´mica énormalmente a primeira, e muitas vezes a única, informação que temos sobre va­rus recanãm-descobertos, e quanto mais informações podemos extrair dela, mais cedo podemos identificar as origens do va­rus e o risco zoona³tico que ele pode representar. Quanto mais va­rus forem caracterizados, mais eficazes nossos modelos de aprendizado de ma¡quina se tornara£o na identificação de va­rus raros que devem ser monitorados de perto e priorizados para o desenvolvimento de vacinas preventivas. "