Michigan Eyalet Üniversitesi'ndeki araştırmacılar tarafından
geliştirilen yeni bir makine öğrenimi modeli, SARS-CoV-2 genomundaki
mutasyonların virüsü daha bulaşıcı hale getirdiğini öne sürüyor.
Baş araştırmacı Guowei Wei tarafından geliştirilen model,
20.000'den fazla viral genom örneğinden SARS-CoV-2 genotiplemesini analiz etti.
Araştırmacılar, birincil olarak enfeksiyonu kolaylaştırmaktan sorumlu bir
protein olan başak proteinindeki mutasyonları analiz ettiler ve bilinen altı
virüs alt tipinden beşinin artık daha bulaşıcı olduğunu buldular.
Herhangi bir virüste olduğu gibi, çoğu mutasyon nihayetinde
iyi huyludur ve enfekte hastalar için çok az risk oluşturur veya hiç yoktur.
Hatta bazı mutasyonlar bulaşıcılığı azaltır. Ancak bazı mutasyonlar daha
bulaşıcı bir virüse yol açar. Wei ve ekibi, Ocak ayında tespit edilen resmi
viral genom örneğindeki değişiklikleri takip ederek, aylarca mutasyon
kalıplarını ve konumlarını incelediler ve analiz ettiler.
Wei, "SARS-CoV-2'nin bulaşıcılığı hakkında bilgi sahibi
olmak, COVID-19'a karşı önleyici ölçümler ve küresel ekonomiyi yeniden açmak için
hayati bir faktördür. Önemli bir soru, bu mutasyonların COVID-19 bulaşması,
teşhisi, önlenmesi ve tedavisi üzerindeki sonuçları nelerdir?" dedi. Bilim
adamları bağlanma afinitesi olarak bilinen bir kavram yani enfeksiyonun ilk
aşamasında başak proteini ile konak reseptörü arasındaki bağlanma etkileşiminin
gücü hakkında endişe duyuyorlar.
Wei, "Bağlanma afinitesi güçlenirse viral enfeksiyon
artar. Şu anda, 194 olası mutasyon bölgesine sahip spike protein reseptör
bağlanma alanı (kısaca RBD) üzerindeki bağlanma arayüzüyle birlikte 50'den
fazla mutasyon bulunmuştur." dedi. Wei'nin gelişmiş bir sinir ağı olan
makine öğrenme modeli, mevcut bilinen mutasyonların SARS-CoV-2 spike
proteininin bağlanma afinitesi üzerindeki etkisini belirlemek için 8.000'den
fazla protein etkileşim kaydını analiz etti. Bilinen altı alt tipin beşinde
artan bağlanma afinitesini öneren sonuç, mutasyonların bir sonucu olarak
enfektivitenin artmış olabileceğini gösterdi.
Wei, "Gelecekteki SARS-CoV-2 alt tiplerinin halk
sağlığı için yakın bir tehlike oluşturup oluşturmayacağını bilmek son derece
önemlidir. Bu amaçla, RBD boyunca 194 olası mutasyon sahasında olası 3,686
gelecekteki mutasyonların tümünün sistematik bir taramasını
gerçekleştirdik." Dedi. Wei'nin modeli, RBD'nin bir bileşen alanı olan
reseptör bağlanma motifi üzerindeki çoklu kalıntıların, daha bulaşıcı COVID-19
suşlarına dönüşme şansının yüksek olduğunu tahmin ediyor. Wei, yapay zekâ
temelli tahminlerin mevcut deneysel bulgularla tutarlı olmasına rağmen
COVID-19'a halk sağlığı tepkisi için hayati önem taşıyan COVID-19 bulaşıcılığı
üzerindeki mutasyon etkilerini tam olarak anlamak için daha fazla çalışmaya
ihtiyaç olduğu konusunda uyarıyor.
Wei, sonuçların Florida'daki Scripps Araştırma
Enstitüsü'ndeki araştırmacılar tarafından yakın zamanda yayınlanan başka bir
çalışmanın sonuçlarıyla uyumlu olduğunu söyledi. Bu çalışma, bir laboratuvar
ortamında başak protein mutasyonlarını inceledi ve ayrıca virüsün
bulaşıcılığını artıracak şekillerde mutasyona uğradığını buldu. Çalışma Ön
baskı sunucusu ArXiv'de yayımlandı.
