¿Qué virus animales podrían infectar a las personas? Las computadoras están compitiendo para averiguarlo.


Colin Carlson, biólogo de la Universidad de Georgetown, ha comenzado a preocuparse por la viruela del ratón.

El virus, descubierto en 1930, se propaga entre los ratones, matándolos con eficiencia despiadada. Pero los científicos nunca lo han considerado una amenaza potencial para los humanos. Ahora el Dr. Carlson, sus colegas y sus computadoras no están tan seguros.

Usando una técnica conocida como aprendizaje automático, los investigadores han pasado los últimos años programando computadoras para aprender sobre los virus que pueden infectar las células humanas. Las computadoras han revisado grandes cantidades de información sobre la biología y la ecología de los anfitriones animales de esos virus, así como los genomas y otras características de los virus mismos. Con el tiempo, las computadoras llegaron a reconocer ciertos factores que podrían predecir si un virus tiene el potencial de propagarse a los humanos.

Una vez que las computadoras demostraron su valía en virus que los científicos ya habían estudiado intensamente, el Dr. Carlson y sus colegas las desplegaron en lo desconocido, y finalmente produjeron una lista corta de virus animales con el potencial de saltar la barrera de las especies y causar brotes humanos.

En las últimas ejecuciones, los algoritmos colocaron inesperadamente al virus de la viruela del ratón en los primeros puestos de los patógenos de riesgo.

“Cada vez que ejecutamos este modelo, aparece muy alto”, dijo el Dr. Carlson.

Desconcertados, el Dr. Carlson y sus colegas rebuscaron en la literatura científica. Se encontraron con la documentación de un olvidado hace mucho tiempo brote en 1987 en la China rural. Los escolares contrajeron una infección que les provocó dolores de garganta e inflamación en las manos y los pies.

Años más tarde, un equipo de científicos realizó pruebas en hisopos de garganta que se habían recolectado durante el brote y se almacenaron. Estas muestras, como informó el grupo en 2012, contenían ADN de viruela de ratón. Pero su estudio recibió poca atención, y una década después, la viruela del ratón todavía no se considera una amenaza para los humanos.

Si la computadora programada por el Dr. Carlson y sus colegas es correcta, el virus merece una nueva mirada.

“Es una locura que esto se haya perdido en la gran cantidad de cosas que la salud pública tiene que filtrar”, dijo. “Esto realmente cambia la forma en que pensamos sobre este virus”.

Los científicos han identificado alrededor de 250 enfermedades humanas que surgieron cuando un virus animal saltó la barrera de las especies. VIH saltó de los chimpancés, por ejemplo, y la nueva coronavirus originado en murciélagos.

Idealmente, a los científicos les gustaría reconocer el próximo virus de propagación antes de que comience a infectar a las personas. Pero hay demasiados virus animales para que los virólogos los estudien. Los científicos han identificado más de 1000 virus en mamíferos, pero lo más probable es que sea una pequeña fracción del número real. Algunos investigadores sospechan que los mamíferos llevan Decenas de miles de virus, mientras que otros ponen el número en los cientos de miles.

Para identificar posibles nuevos efectos indirectos, investigadores como el Dr. Carlson utilizan computadoras para detectar patrones ocultos en los datos científicos. Las máquinas pueden concentrarse en los virus que pueden dar lugar a una enfermedad humana, por ejemplo, y también pueden predecir qué animales tienen más probabilidades de albergar virus peligrosos que aún no conocemos.

“Se siente como si tuvieras un nuevo par de ojos”, dijo Barbara Han, ecologista de enfermedades del Instituto Cary de Estudios de Ecosistemas en Millbrook, Nueva York, que colabora con el Dr. Carlson. “Simplemente no se puede ver en tantas dimensiones como el modelo”.

El Dr. Han se encontró por primera vez con el aprendizaje automático en 2010. Los científicos informáticos habían estado desarrollando la técnica durante décadas y estaban comenzando a construir herramientas poderosas con ella. Estos días, aprendizaje automático permite que las computadoras detecten cargos de crédito fraudulentos y reconozcan las caras de las personas.

Pero pocos investigadores habían aplicado el aprendizaje automático a las enfermedades. La Dra. Han se preguntó si podría usarlo para responder preguntas abiertas, como por qué menos del 10 por ciento de las especies de roedores albergan patógenos que se sabe que infectan a los humanos.

Ella alimentó una computadora con información sobre varias especies de roedores de una base de datos en línea, todo, desde su edad al destete hasta su densidad de población. Luego, la computadora buscó las características de los roedores que se sabe que albergan un gran número de patógenos que saltan de especie.

Una vez que la computadora creó un modelo, lo probó contra otro grupo de especies de roedores, para ver qué tan bien podía adivinar cuáles estaban cargados de agentes causantes de enfermedades. Eventualmente, el modelo de la computadora alcanzó una precisión de 90 por ciento.

Luego, el Dr. Han recurrió a los roedores que aún no se han examinado en busca de patógenos indirectos y elaboró ​​una lista de especies de alta prioridad. La Dra. Han y sus colegas predijeron que especies como el campañol montano y el ratón saltamontes del norte del oeste de América del Norte serían particularmente propensos a portar patógenos preocupantes.

De todas las características que la Dra. Han y sus colegas proporcionaron a su computadora, la que más importaba era la duración de la vida de los roedores. Las especies que mueren jóvenes resultan ser portadoras de más patógenos, tal vez porque la evolución dedicó más recursos a la reproducción que a la construcción de un sistema inmunológico fuerte.

Estos resultados implicaron años de minuciosa investigación en la que la Dra. Han y sus colegas revisaron bases de datos ecológicas y estudios científicos en busca de datos útiles. Más recientemente, los investigadores han acelerado este trabajo mediante la creación de bases de datos expresamente diseñadas para enseñar a las computadoras sobre los virus y sus anfitriones.

En marzo, por ejemplo, el Dr. Carlson y sus colegas desvelado una base de datos de acceso abierto llamada VIRION, que ha acumulado medio millón de piezas de información sobre 9521 virus y sus 3692 huéspedes animales, y sigue creciendo.

Las bases de datos como VIRION ahora permiten hacer preguntas más específicas sobre nuevas pandemias. Cuando golpeó la pandemia de Covid, pronto quedó claro que fue causada por un nuevo virus llamado SARS-CoV-2. El Dr. Carlson, el Dr. Han y sus colegas crearon programas para identificar a los animales con más probabilidades de albergar parientes del nuevo coronavirus.

El SARS-CoV-2 pertenece a un grupo de especies llamado betacoronavirus, que también incluye los virus que causaron las epidemias de SARS y MERS entre humanos. En su mayor parte, los betacoronavirus infectan a los murciélagos. Cuando se descubrió el SARS-CoV-2 en enero de 2020, se sabía que 79 especies de murciélagos lo portaban.

Pero los científicos no han buscado sistemáticamente betacoronavirus en todas las 1447 especies de murciélagos, y tal proyecto tardaría muchos años en completarse.

Al introducir datos biológicos sobre los distintos tipos de murciélagos (su dieta, la longitud de sus alas, etc.) en su computadora, el Dr. Carlson, el Dr. Han y sus colegas crearon un modelo que podría ofrecer predicciones sobre los murciélagos con mayor probabilidad. albergar betacoronavirus. Encontraron más de 300 especies que se ajustan a la factura.

Desde esa predicción en 2020, los investigadores han encontrado betacoronavirus en 47 especies de murciélagos, todos los cuales estaban en las listas de predicción producidas por algunos de los modelos informáticos que habían creado para su estudio.

Daniel Becker, ecólogo de enfermedades de la Universidad de Oklahoma que también trabajó en el estudio de betacoronavirus, dijo que era sorprendente la forma en que características simples, como el tamaño del cuerpo, podían conducir a predicciones poderosas sobre los virus. “Mucho de esto es fruto de la biología comparativa”, dijo.

El Dr. Becker ahora está haciendo un seguimiento desde su propio patio trasero en la lista de posibles anfitriones de betacoronavirus. Resulta que se predice que algunos murciélagos en Oklahoma los albergarán.

Si el Dr. Becker encuentra un betacoronavirus doméstico, no estará en posición de decir de inmediato que es una amenaza inminente para los humanos. Los científicos primero tendrían que llevar a cabo minuciosos experimentos para evaluar el riesgo.

Pranav Pandit, epidemiólogo de la Universidad de California en Davis, advierte que estos modelos son en gran medida un trabajo en progreso. Cuando se prueban en virus bien estudiados, funcionan sustancialmente mejor que el azar, pero podrían hacerlo mejor.

“No está en una etapa en la que podamos simplemente tomar esos resultados y crear una alerta para comenzar a decirle al mundo: ‘Este es un virus zoonótico’, dijo”.

Nardus Mollentze, virólogo computacional de la Universidad de Glasgow, y sus colegas han sido pioneros en un método que podría aumentar notablemente la precisión de los modelos. En lugar de mirar a los huéspedes de un virus, sus modelos miran sus genes. Se puede enseñar a una computadora a reconocer características sutiles en los genes de los virus que pueden infectar a los humanos.

en su primer informe Con esta técnica, el Dr. Mollentze y sus colegas desarrollaron un modelo que podía reconocer correctamente los virus que infectan a los humanos más del 70 por ciento de las veces. El Dr. Mollentze aún no puede decir por qué funcionó su modelo basado en genes, pero tiene algunas ideas. Nuestras células pueden reconocer genes extraños y enviar una alarma al sistema inmunológico. Los virus que pueden infectar nuestras células pueden tener la capacidad de imitar nuestro propio ADN como una especie de camuflaje viral.

Cuando aplicaron el modelo a los virus animales, obtuvieron una lista de 272 especies con alto riesgo de contagio. Eso es demasiado para que los virólogos los estudien en profundidad.

“Solo se puede trabajar con una cantidad limitada de virus”, dijo Emmie de Wit, viróloga de Rocky Mountain Laboratories en Hamilton, Mont., quien supervisa la investigación sobre el nuevo coronavirus, la influenza y otros virus. “Por nuestra parte, realmente necesitaríamos reducirlo”.

El Dr. Mollentze reconoció que él y sus colegas necesitan encontrar una manera de identificar lo peor de lo peor entre los virus animales. “Esto es solo un comienzo”, dijo.

Para dar seguimiento a su estudio inicial, el Dr. Mollentze está trabajando con el Dr. Carlson y sus colegas para fusionar datos sobre los genes de los virus con datos relacionados con la biología y la ecología de sus anfitriones. Los investigadores están obteniendo algunos resultados prometedores de este enfoque, incluido el tentador avance de la viruela del ratón.

Otros tipos de datos pueden hacer que las predicciones sean aún mejores. Una de las características más importantes de un virus, por ejemplo, es el recubrimiento de moléculas de azúcar en su superficie. Diferentes virus terminan con diferentes patrones de moléculas de azúcar, y esa disposición puede tener un gran impacto en su éxito. Algunos virus pueden usar este glaseado molecular para esconderse del sistema inmunológico de su huésped. En otros casos, el virus puede usar sus moléculas de azúcar para adherirse a nuevas células y desencadenar una nueva infección.

Este mes, el Dr. Carlson y sus colegas publicaron un comentario en línea afirmando que el aprendizaje automático puede obtener muchos conocimientos de la capa de azúcar de los virus y sus anfitriones. Los científicos ya han recopilado mucho de ese conocimiento, pero aún no se ha puesto en una forma de la que las computadoras puedan aprender.

“Mi intuición es que sabemos mucho más de lo que pensamos”, dijo el Dr. Carlson.

La Dra. de Wit dijo que algún día los modelos de aprendizaje automático podrían guiar a virólogos como ella a estudiar ciertos virus animales. “Definitivamente, esto generará un gran beneficio”, dijo.

Pero señaló que los modelos hasta ahora se han centrado principalmente en el potencial de un patógeno para infectar células humanas. Antes de causar una nueva enfermedad humana, un virus también tiene que propagarse de una persona a otra y causar síntomas graves en el camino. Ella está esperando una nueva generación de modelos de aprendizaje automático que también puedan hacer esas predicciones.

“Lo que realmente queremos saber no es necesariamente qué virus pueden infectar a los humanos, sino qué virus pueden causar un brote”, dijo. “Así que ese es realmente el siguiente paso que debemos resolver”.



Source link

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *