Meno dell’1% dei virus zoonotici dei mammiferi è stato finora descritto, lasciando la scienza esposta al rischio costante di nuove epidemie globali. Per colmare questa pericolosa lacuna conoscitiva, un team interdisciplinare della Sapienza Università di Roma ha sviluppato un innovativo modello di intelligenza artificiale capace di superare i limiti dei dati tradizionali e prevedere con grande accuratezza i legami ancora ignoti tra virus e specie ospiti, offrendo così uno strumento cruciale per la prevenzione e la sicurezza sanitaria globale.
Le attuali conoscenze sui virus zoonotici, ovvero quelli di origine animale capaci di infettare l’uomo, sono ancora molto limitate. Si stima infatti che sia stato descritto meno dell’1% dei virus zoonotici dei mammiferi e che le risorse disponibili non siano sufficienti ad accelerare significativamente la ricerca. Rimane quindi elevato il rischio di future epidemie causate da patogeni ancora ignoti, come già accaduto con SARS, MERS, Ebola, Nipah e, più recentemente, SARS-CoV-2.
Lo studio
Individuare in anticipo quali specie animali possano ospitare determinati virus rappresenta una delle principali priorità per la prevenzione delle future pandemie. Per affrontare questa sfida, la Sapienza Università di Roma ha unito le forze del Dipartimento di Fisica e quelle del Dipartimento di Biologia e Biotecnologie “Charles Darwin”. Da questa collaborazione è nato un nuovo approccio di intelligenza artificiale in grado di prevedere, con maggiore accuratezza rispetto ai metodi tradizionali, i legami ancora sconosciuti tra i virus e le specie di mammiferi che potrebbero ospitarli.
Lo studio, pubblicato sulla rivista Nature Communications, affronta un limite fondamentale della conoscenza eco-epidemiologica. “Oggi conosciamo solo una minima parte dei virus presenti nei mammiferi selvatici e le informazioni disponibili sono fortemente sbilanciate verso le specie e le aree geografiche più studiate – spiega Moreno Di Marco, leader del Biodiversity & Global Change Lab – di conseguenza, l’assenza di segnalazioni di un virus in una specie non sempre implica che questa ne sia immune, ma riflette spesso una carenza sistematica di dati”. “Il rischio è che i tradizionali modelli di IA ereditino questa nostra cecità – osserva Gabriele Pignalberi, primo autore dello studio – prevedendo il rischio solo dove siamo già abituati a guardare, anziché ricostruire le reali affinità biologiche tra virus e ospite anche nei contesti meno studiati o finora mai esplorati”.
Il Dynamic Positive-Unlabeled learning
Per superare questo problema, i ricercatori hanno sviluppato una nuova tecnica di apprendimento automatico, il Dynamic Positive-Unlabeled (DPU) learning. “Il DPU distingue le reali assenze di un virus dai semplici vuoti di conoscenza – spiega Pignalberi – e corregge le distorsioni presenti nei dati, migliorando così le proprie predizioni”.
Integrando dati sull’evoluzione, la distribuzione geografica e le caratteristiche biologiche di mammiferi e virus con le associazioni già note, il modello produce predizioni biologicamente fondate e aggiornabili con nuove evidenze. “Il modello ha già previsto con precisione associazioni poi confermate da dati sperimentali successivi – aggiunge Andrea Tonelli coautore dello studio – ma i risultati suggeriscono anche che il numero reale di associazioni tra mammiferi e famiglie virali sia molto più elevato di quello ad oggi conosciuto”.
Le ricadute dello studio
Le ricadute dello studio sono immediate per la salute pubblica e il monitoraggio della biodiversità, in quanto il modello potrebbe consentire di indirizzare le campagne di sorveglianza verso specie e aree a maggior rischio, ottimizzando le risorse disponibili. Stefano Giagu, leader del Physics Informed Artificial Intelligence and Quantum Computation Lab, conclude: “combinando teorie eco-epidemiologiche e modelli fisici con intelligenza artificiale all’avanguardia, il metodo DPU rappresenta una nuova piattaforma di analisi capace di offrire previsioni affidabili anche a partire da dati parziali. Una tecnologia che, oltre allo studio delle zoonosi, potrà servire per affrontare anche altre importanti sfide scientifiche caratterizzate da scarsità o parzialità dei dati”.
Vuoi ricevere le notifiche sulle nostre notizie più importanti?