Машинско учење може одредити врсте глодара које луче болести и географске приступне точке осетљиве на нове паразите и патогене. Тако извештава о новој студији Зборник Националне академије наука предвођена Барбаром А. Хан, екологом болести са Института за студије екосистема Цари.

Већина нових заразних болести преносе се са животиња на људе, а годишње пати више од милијарду људи. Заштита јавног здравља захтева ефикасне алате за надзор.

Са колегама са Универзитета Џорџија Одум са Еколошке школе Јохн Паул Сцхмидт, Сарах Е. Бовден и Јохн М. Драке, Хан је запослио машинско учење, облик вештачке интелигенције, како би открио обрасце у обимном скупу података о више од 2,000 врста глодара. , са променљивим који описују животну историју врста, екологију, понашање, физиологију и географску дистрибуцију.

Саопштење Института Цари извештава да је тим развио модел који је успео да предвиди познате врсте резервата глодара са тачношћу од 90 процената и идентификовао је одређене особине које разликују резервоаре од нерезервоара. Открили су преко 150 нових потенцијалних врста резервата глодара и више од педесет нових хипер резервоара (животиње које могу да носе више патогена заразних за људе).

Комбиновањем еколошких и биомедицинских података у заједничку базу података, Барбара је могла да користи машинско учење како би пронашла обрасце који могу да информишу систем раног упозоравања на избијање болести глодара.

Најспособније врсте резервоара су оне које брзо сазревају, репродукују рано и често и живе сјеверне зимске области са ниским нивоом биодиверзитета.

Географска подручја за која је утврђено да имају велику разноликост резервоара за глодаре укључују Северну Америку, атлантску обалу Јужне Америке, Европу, Русију и делове Централне и Источне Азије. Предвиђена будућа жаришта разноликости резервоара глодара обухватала су арктичке, умерене, тропске и пустињске биоме, укључујући Кину, Казахстан и Средњи запад Сједињених Држава. Предвиђа се да ће се већина нових резервоара и хипер-резервоара појавити у горњим географским ширинама.

Налази обезбеђују основу за циљане напоре за надгледање, који су од виталног значаја с обзиром на трошкове мониторинга насталих заразних болести.

У саопштењу се напомиње да се технике машинског учења примењене у овој студији тренутно користе за истраживање нових питања, укључујући потенцијалне резервоаре вируса еболе и других филовируса.

Цео чланак ovde.