Maskininlärning kan identifiera gnagarearter som hamnar sjukdomar och geografiska hotspots utsatta för nya parasiter och patogener. Så rapporterar en ny studie i Proceedings of the National Academy of Sciences ledd av Barbara A. Han, en sjukdomsekolog vid Cary Institute of Ecosystem Studies.

De flesta nya smittsamma sjukdomar överförs från djur till människor, med mer än en miljard människor årligen. För att skydda folkhälsan krävs effektiva övervakningsverktyg.

Med University of Georgia Odum School of Ecology-kollegor John Paul Schmidt, Sarah E. Bowden och John M. Drake använde Han maskininlärning, en form av artificiell intelligens, för att avslöja mönster i en omfattande uppsättning data om mer än 2,000 gnagararter. , med variabler som beskriver artens livshistoria, ekologi, beteende, fysiologi och geografiska fördelning.

En Cary Institute-utgåva rapporterar att laget utvecklade en modell som kunde förutsäga kända gnagarreservoararter med 90 procents noggrannhet och identifierade särskilda egenskaper som skiljer reservoarer från icke-reservoarer. De avslöjade över 150 nya potentiella arter av gnagarreservoarer och mer än femtio nya hyperreservoarer (djur som kan bära flera patogener som är smittsamma för människor).

Genom att kombinera ekologiska och biomedicinska data i en gemensam databas kunde Barbara använda maskininlärning för att hitta mönster som kan informera ett tidigt varningssystem för gnagarbärna sjukdomsutbrott.

De mest riskfyllda reservoararterna är de som mognar snabbt, reproducerar tidigt och ofta och lever i norra tempererade områden med låga nivåer av biologisk mångfald.

Geografiska områden som visade sig ha en stor mångfald av gnagarreservoarer inkluderade Nordamerika, Atlantkusten i Sydamerika, Europa, Ryssland och delar av Central- och Östasien. Förutspådda framtida hotspots för gnagarreservoardiversitet spänner över arktiska, tempererade, tropiska och ökenbiomer, inklusive Kina, Kazakstan och Mellanvästra USA. En majoritet av nya reservoararter och hyperreservoararter förutses förekomma i de övre breddgraderna.

Resultaten ger en grund för riktade övervakningsinsatser som är viktiga med tanke på kostnaden för övervakning av nya infektionssjukdomar.

I utgåvan noteras att maskininlärningsteknikerna som används i denna studie för närvarande används för att utforska nya frågor, inklusive potentiella reservoarer av Ebolavirus och andra filovirus.

Hela artikeln här..