یافتههای جدید درباره ژنوم ویروس کرونا
تاریخ انتشار: ۲۴ مهر ۱۴۰۰ | کد خبر: ۳۳۴۰۰۲۱۴
ایران اکونومیست-محققان در مطالعات خود با یک روش جدید ژنوم ویروس کرونا را مورد بررسی قرار داده و اطلاعات جدیدی را درباره آن ارائه دادند.
گروهی از محققان از موسسه روبرت کخ در برلین و موسسه ماکس پلانک برای علم تاریخ بشر، روش جدیدی را برای برآورد سریع مسیرهای به روز ژنوم سارس-کوو-۲ نمونه برداری شده را با استفاده از روشهای فیلودینامیکی ارائه میدهند.
بیشتر بخوانید:
اخباری که در وبسایت منتشر نمیشوند!
شمارش روزانه موارد جدید کووید-۱۹ مبنایی برای ارزیابی وضعیت همه گیری است و برای تصمیم گیری آگاهانه در مورد مداخلات عمومی ضروری است. با این حال این تعداد مورد براساس نتایج آزمایش تشخیصی مثبت است و بنابراین به استراتژی اصلی آزمایش بستگی دارد؛ اما استراتژیهای آزمایش از منطقهای به منطقه دیگر متفاوت است و با گذشت زمان به شدت تغییر کرده است، بنابراین تاثیر دقیق آنها بر تعداد تشخیصهای روزانه جدید دشوار است؛ بنابراین برآورد قویتری از تعداد افراد تازه آلوده برای نظارت همه گیر ضروری است.
به منظور برآورد بهتر میزان آلودگی جدید، محققان روش محاسباتی جدیدی را توسعه داده و آزمایش کردهاند که مشخصات موقتی شیوع ویروس را صرفا از توالی ژنومی و تاریخ نمونه گیری آنها استنباط میکند. از آنجا که ژنوم ویروسی زیربنای یک فرآیند جهش مداوم است، تغییرات توالی آن در طول زمان نیز گسترش آن را در جمعیت دنبال میکند.
دنیس کوهنرت، یکی از نویسندگان این مطالعه میگوید: جهشهایی که در ژنومهای ویروسی ایجاد میشود، سیگنالی را به ما منتقل میکند که به ما امکان میدهد تنوع ژنتیکی را با اندازه جمعیت ویروس و در این مورد نیز با بروز آن مرتبط کنیم.
با محاسبه برآورد ثابت قطعی تعداد موثر باروری بین تغییرات قابل توجه در مداخلات غیر دارویی، این مطالعه اثرات بالقوه اقدامات عمومی بر گسترش کووید-۱۹ را برجسته میکند.
اقدامات قرنطینهای که توسط بسیاری از کشورهای اروپایی انجام شده است یک مثال بارز است. در بهار سال ۲۰۲۰، پس از اجرای محدودیتهای سختگیرانه در اروپا، تعداد باروری موثر به زیر ۱ رسید. هنگامی که این اقدامات در ابتدای تابستان ۲۰۲۰ در اکثر کشورها لغو شد، تعداد تولید مثل موثر به بیش از ۱ افزایش یافت.
این تیم تجزیه و تحلیل گسترده فیلودینامیکی را با استفاده از ژنوم سارس-کوو-۲ از چهار منطقه مختلف (دانمارک، اسکاتلند، سوئیس و ایالت ویکتوریا استرالیا) برای اعتبار سنجی روش جدید انجام داد.
دکتر آریان وبر، میگوید: با مقایسه نتایج با تعداد موارد گزارش شده، ما توانستیم دورههای گزارش نادرست را تشخیص دهیم. اینها شامل اولین موج عفونتها در اسکاتلند و ویکتوریا و همچنین امواج همه گیر کوچک در اروپا در تابستان ۲۰۲۰ است که در تعداد موارد تشخیصی قابل مشاهده نیست.
با استفاده از ارتباط به روز ایجاد شده توسط روش جدید و دادههای عمومی در مورد استراتژیهای آزمایش استقرار یافته، محققان همچنین توانستند میزان تشخیص مورد را در طول زمان محاسبه کنند. اینها نشان میدهد که افزایش ظرفیت آزمایش به طور کلی منجر به نسبت بالاتری از موارد شناسایی شده میشود. با کمال تعجب، احتمال تشخیص هنگامی که معیارهای آزمایش تسهیل شود، کاهش مییابد. این یک توضیح بالقوه برای عدم تشخیص موارد مشاهده شده در اروپا در تابستان ۲۰۲۰ است، زمانی که معیارهای آزمایش ضعیفتر با ظرفیت آزمایش بدون تغییر ترکیب شدند.
منبع: ایران اکونومیست
کلیدواژه: روش جدید
درخواست حذف خبر:
«خبربان» یک خبرخوان هوشمند و خودکار است و این خبر را بهطور اتوماتیک از وبسایت iraneconomist.com دریافت کردهاست، لذا منبع این خبر، وبسایت «ایران اکونومیست» بوده و سایت «خبربان» مسئولیتی در قبال محتوای آن ندارد. چنانچه درخواست حذف این خبر را دارید، کد ۳۳۴۰۰۲۱۴ را به همراه موضوع به شماره ۱۰۰۰۱۵۷۰ پیامک فرمایید. لطفاً در صورتیکه در مورد این خبر، نظر یا سئوالی دارید، با منبع خبر (اینجا) ارتباط برقرار نمایید.
با استناد به ماده ۷۴ قانون تجارت الکترونیک مصوب ۱۳۸۲/۱۰/۱۷ مجلس شورای اسلامی و با عنایت به اینکه سایت «خبربان» مصداق بستر مبادلات الکترونیکی متنی، صوتی و تصویر است، مسئولیت نقض حقوق تصریح شده مولفان در قانون فوق از قبیل تکثیر، اجرا و توزیع و یا هر گونه محتوی خلاف قوانین کشور ایران بر عهده منبع خبر و کاربران است.
خبر بعدی:
«کشف خودمختار» چیست؟
به گزارش خبرگزاری علم و فناوری آنا به نقل از سای تک دیلی، محققان آزمایشگاه ملی آرگون در وزارت انرژی آمریکا بر روی نسل بعدی آزمایشهای علمی موسوم به «کشف خودمختار» (Autonomous Discovery) کار میکنند که از قدرت رباتیک، یادگیری ماشینی و هوش مصنوعی برای حل مسائل بزرگ در حوزه اقلیم، سلامت انسان و انرژی، سریعتر از همیشه استفاده میکند.
اکتشافات خودمختار، شیوه انجام کارهای علمی را متحول میکند. این فرآیندها به دانشمندان کمک میکنند تا راه حلهایی بیابند که مردم را ایمن تر، سالمتر و انعطاف پذیرتر در برابر تأثیرات تغییرات اقلیم حفظ کنند.
فرض کنید برای حل مشکل آلودگی پلاستیکی، بخواهیم نوع جدیدی از پلاستیک بسازیم که بازیافت یا استفاده مجدد آن آسانتر باشد. برای این کار هزاران پلیمر احتمالی وجود دارد که ممکن است کارآمد باشد و از سوی دیگر مواد شیمیایی بالقوه مضری نیز در فرآیند آزمایش ایجاد میشوند. در گذشته، ممکن بود چندین محقق روی یک میز آزمایشگاه برای آزمایش یک پلیمر به طور همزمان کار کنند و مطالعات آنها سالها طول بکشد.
با کشف خودمختار، محققان انسانی این مشکل را به رباتیک و هوش مصنوعی واگذار کردند. محققان از فرآیندی به نام یادگیری ماشینی برای آموزش هوش مصنوعی با مجموعه دادههای عظیم استفاده میکنند. این اطلاعات به هوش مصنوعی در مورد همه چیزهایی که قبلا در مورد بازیافت پلاستیک، فرآیندهای شیمیایی و ساختارهای پلیمری بالقوه میدانیم، داده میشود تا او از این اطلاعات برای اتخاذ بهترین تصمیم در مورد آزمایش بعدی استفاده کند.
بازوهای رباتیک و ماشینهای نمونه برداری، خستگی ناپذیر بیست و چهار ساعت در روز کار میکنند و محققان را به طور ایمن از مواد شیمیایی یا سایر خطرات احتمالی دور نگه میدارند. با یادگیری ماشینی، هوش مصنوعی هر چه پیش میرود هوشمندتر میشود و به دنبال الگوهای نوین و آزمایشهای جدید برای اجرا میگردد.
انسانهای دانشمند میتوانند از مغز بزرگ و خلاق خود برای تفسیر و عمل بر روی جالب ترین نتایج استفاده کنند. کشف خودمختار به دانشمندان کمک میکند تا به جای سالها یا تمام یک عمر، راه حلهایی را برای مشکلات پیچیده در چند روز یا هفته بیابند.
نبوغ و تخیل انسانی در قلب این نوآوری باقی مانده است. متخصصان در حال یافتن راههای خلاقانه برای استفاده از ابزارهای کشف خودمختار هستند:
آنها در آزمایشگاه در حال ایجاد «دوقلوهای دیجیتال» هستند. این مدلهای واقعیت مجازی به محققان کمک میکنند ماشینها را آزمایش و بهترین راه را برای نصب تجهیزات در آزمایشگاههای زیست شناسی و شیمی واقعی پیدا کنند. آنها در حال بررسی همه چیز هستند از درمانهای جدید برای باکتریهای مقاوم به دارو گرفته تا نحوه ذخیره کربن در خاک توسط گیاهان. آنها در حال ساخت و تخریب زنجیرههای پلیمری هستند تا راههای جدیدی برای بازیافت و بازچرخانی پلاستیکها بیابند. آنها از برخی از سریع ترین ابررایانههای جهان برای اجرای هوش مصنوعی و پردازش دادههای حاصل از آزمایشهای بزرگ استفاده میکنند.آزمایشگاههای مستقل کمک میکنند تا راه حلهای علمی را با سرعت، کارایی و دقتی که قبلا دیده نشده به زندگی مان بیایند. این فقط روش علم را متحول نمی کند بلکه ما را به عصر جدیدی از اکتشاف سوق میدهد.
مغز انسان یک دستگاه شگفت انگیز برای حل معمای علم است، اما بدن انسان تنها تا زمانی که هنوز خسته و گرسنه نشده است میتواند به اکتشاف بپردازد. بزرگ ترین چالشهای امروزی، مانند تغییرات اقلیم، بیماریهای نوظهور و آلودگی پلاستیکی منتظر نمی مانند تا ساندویچ بخوریم یا چرتی بزنیم. اکنون، به پاسخ نیاز داریم. به همین دلیل است که دانشمندان از رباتیک، هوش مصنوعی و یادگیری ماشین کمک میگیرند.
دانشمندان با تعریف یک مساله، هوش مصنوعی را به دنبال صدها آزمایش با استفاده از سیستمهای رباتیک شناسایی، تنظیم و اجرا میفرستند که میتواند مساله را 24/7 حل کند. با یادگیری ماشینی، هوش مصنوعی هر چه پیش میرود هوشمندتر میشود و به دنبال الگوهای جدید و آزمایشهای جدید برای اجرا میگردد. کشف خودمختار راه حلهایی را صد یا هزار برابر سریعتر برای ما به ارمغان میآورد.
انتهای پیام/