
Bugüne kadar, 2019 koronavirüs hastalığının (COVID-19) nedensel patojeni olan şiddetli akut solunum sendromu koronavirüs 2 (SARS-CoV-2), dünya çapında 93,21 milyondan fazla enfeksiyona neden olmuştur. Bilim insanları farklı popülasyonlara yayıldığı için, bazen bulaşabilirliği ve diğer biyolojik özelliklerini etkileyen adaptasyonlara uğradığını belirtmişlerdir. BioRxiv sunucusundaki ilginç bir ön baskı, artan viral uygunluğa sahip varyantların ortaya çıkışını izlemek için görüntü tanıma teknolojisi ile derin öğrenmenin kullanımını açıklamaktadır. Daha yüksek uygunluk, bu soyların tanıtıldıkları alanlarda hızlı genişlemesine yol açmaktadır. Uzmanlar bu tür bir çalışmanın, pandemiyi kontrol altına almaya yardımcı olmak için daha etkili antikorların ve aşıların geliştirilmesini kolaylaştırabileceğini belirtmişlerdir. Yeni bir patojenin neden olduğu herhangi bir pandemiyi anlamanın önemli bir adımı, organizmanın genomunda zaman içinde meydana gelen değişiklikleri ve bu evrimlerin davranışlarındaki değişiklikleri nasıl yansıttığını belirlemektir. Bu durum, müdahale için hedeflerin belirlenmesine yardımcı olmaktadır. Devam eden COVID-19 pandemisine ilişkin yoğun araştırma hızı, birden çok popülasyon ve bölgeden binlerce tam viral RNA dizisinin toplanmasına yol açmıştır.
Mevcut çalışma, bu viral genomik bilgi veri tabanından yararlanarak, ilk olarak, SARSCoV-2'de küresel seçim baskısının bir sonucu olarak genomik değişimin veya bölgesel seçimin zaman içindeki değişikliklerle ortaya çıkışını tespit etmeyi amaçlamaktadır. Araştırmacılar seçme baskılarının, virüse dışarıdan etki eden, belirli özellikleri bozarak veya güçlendirerek virüsün hayatta kalma uygunluğunu olumlu veya olumsuz yönde etkileyen maddeler olduğunu ifade etmişlerdir. Belirli bir süre boyunca seçilen viral popülasyonların incelenmesi, bu tür genetik adaptif süreçlerle ilişkili virülans veya immünojenisitedeki değişiklikleri ortaya çıkarmaya yardımcı olabilmektedir.
Çeşitli genetik parametrelerin tahminleri
Araştırmacılar, rekombinasyon verilerini kullanmadan çıkarımlarını yapmak için filogenetik yöntemlere güvendiklerini bildirmişlerdir. Ayrıca yaklaşımlarının, nükleotid varyantlarının seçim baskısı olmayan durumlarda nasıl dağıldığını belirlemek için sekans verilerini sayısal veya grafik formda özetleyen daha geleneksel yöntemlerden farklı olduğunu ifade etmişlerdir. Bu tür nötr olarak gelişen durumlarda, serbest rekombinasyonun, popülasyonun sabit kalmasıyla gerçekleştiği varsayılmaktadır. Mevcut çalışmada, araştırmacılar, nötr evrimin sınırlarının ötesindeki fazla olayları yakalamak için belirli bir zaman aralığında çok sayıda tekrarlayan olay gerektiren filogenetik teknikleri tercih etmişlerdir. Bu durum, genellikle yalnızca yüksek oranda mutasyon gösteren veya uzun mutasyon izlerine sahip genomlarla birlikte kullanıldığı anlamına gelmektedir. Araştırmacılar, simülasyonlara dayalı tahmin araçlarındaki karmaşık genetik değişiklikleri yakalamak için derin öğrenme yöntemlerini kullandıklarını böylece açıkça tanımlanmış parametreleri açıklamak zorunda kalmadıklarını belirtmişlerdir. Halihazırda derin öğrenme, rekombinasyon oranı ve seçimi gibi çeşitli genetik parametrelerin tahminlerini ve ayrıca germ hattı veri analizini elde etmek için popülasyon genetiğinde uygulanmıştır.
Araştırmacılar viral adaptasyonu analiz etmek için görüntü tanıma parametrelerinin kullanabileceğini böylece bilgiyi haplotip hizalamalarında kullanabileceklerini belirtmişlerdir. Yapılan çalışmada virüsün, 1'den büyük bir değerle gösterildiği gibi, her popülasyonda pozitif seleksiyon geçirdiğini, ancak uygunluğunun değişik bölgelerde farklı olduğu bulunmuştur. Nüfus artışı telafi edildikten sonra bile pozitif seçimin gözlendiği bildirilmiştir. Çalışmanın bulguları, bu aracın, seçim baskısına maruz kalan viral popülasyonları takip etmede ve böylelikle virülans ve enfektivitedeki seçime dayalı farklılıklar hakkında çıkarımlar yapmada nasıl yararlı olduğunu göstermektedir. Araştırmacılar bu çok yönlü aracın, genomlardaki adaptasyonu incelemek için daha da tanımlanmaya ve geliştirilmeye hazır olduğunu belirtmişlerdir.
Dr. Liji Thomas, Image-based deep learning haplotype-guided study maps the global adaptation of SARS-CoV-2, Jan 15 2021
+ Tüm Referansları Göster