Forskere har anvendt kunstig intelligens (AI) til at identificere 70. 500 nye vira, der tidligere var ukendte for videnskaben, hvoraf mange er usædvanlige og ulig nogen dokumenterede arter. Identifikationen af disse RNA-vira blev opnået gennem metagenomik, en proces, der gør det muligt for forskere at prøve alle genomer i et miljø uden at skulle dyrke individuelle vira. Denne metode fremhæver AI's potentiale i at udforske 'mørkt stof' i RNA-virusdomænet. Vira er allestedsnærværende mikroorganismer, der kan inficere dyr, planter og endda bakterier; dog er kun et lille antal blevet identificeret og dokumenteret. Artem Babaian, en computational virolog ved University of Toronto i Canada, udtaler, at der dybest set er en bundløs pit af uopdagede vira. Nogle af disse vira kan være ansvarlige for sygdomme hos mennesker, hvilket betyder, at detaljering af dem kan kaste lys over uforklarlige sygdomme, ifølge Babaian. Tidligere forskning har anvendt maskinlæringsteknikker til at opdage nye vira inden for sekvenseringsdata. Den aktuelle undersøgelse, publiceret i Cell denne uge, avancerer denne forskning ved at undersøge forudsagte proteinstrukturer. AI-modellen inkorporerer et proteinforudsigelsesværktøj ved navn ESMFold, skabt af forskere hos Meta (tidligere Facebook, baseret i Menlo Park, Californien). Et andet lignende AI-system, AlphaFold, blev udviklet af forskere hos Google DeepMind i London, der for nylig vandt Nobelprisen i kemi. Missede Vira I 2022 analyserede Babaian og hans team 5, 7 millioner genomiske prøver, der var gemt i offentligt tilgængelige databaser, og opdagede næsten 132. 000 nye RNA-vira. Andre forskningsteams har også taget lignende initiativer. Dog udvikler RNA-vira sig hurtigt, og nuværende identifikationsmetoder overser sandsynligvis mange. En standard tilgang er at søge efter en del af genomet, der koder et vigtigt protein involveret i RNA-replikation kendt som RNA-afhængig RNA-polymerase (RdRp).

Hvis sekvensen for dette protein i en virus adskiller sig væsentligt fra kendte sekvenser, kan forskere undlade at genkende det. Shi Mang, en evolutionsbiolog ved Sun Yat-sen University i Shenzhen, Kina, og medforfatter på Cell-studien, sammen med hans kolleger, søgte efter tidligere ukarakteriserede vira i offentligt tilgængelige genomiske datasæt. De udtænkte en model kaldet LucaProt, der anvender 'transformer'-arkitekturen, der også understøtter ChatGPT, og integrerede sekvensering samt ESMFold proteinforudsigelsesdata. De trænede efterfølgende deres model til at identificere virale RdRps og anvendte den til at lokalisere sekvenser, der koder for disse enzymer, som fungerer som indikatorer for, at sekvenserne tilhører en virus, inden for et stort udvalg af genomiske data. Gennem denne metode identificerede de cirka 160. 000 RNA-vira, inklusiv nogle bemærkelsesværdigt lange fra ekstreme miljøer som varme kilder, saltsøer, og atmosfæren. Næsten halvdelen af disse vira var tidligere uregistrerede. Babaian beskriver, at de opdager 'små lommer af RNA-virus biodiversitet, der virkelig er langt ude i evolutionens udkant. ' “Denne tilgang er utroligt lovende for at udvide virosfæren, ” bemærker Jackie Mahar, en evolutionsvirolog ved CSIRO Australian Centre for Disease Preparedness i Geelong. Ved at karakterisere disse vira vil forskere få indsigt i deres oprindelse og udviklingen af forskellige værtsinteraktioner. Derudover, ifølge Babaian, letter udvidelsen af det kendte virusregister opdagelsen af yderligere lignende vira. “Pludselig kan du se ting, du tidligere overså. ” Holdet kunne ikke fastslå værterne for de vira, de opdagede, hvilket kræver yderligere undersøgelse, ifølge Mahar. Forskere er især ivrige efter at afgøre, om nogen af de nye vira inficerer archaea, en hel livslinje, hvor ingen RNA-vira hidtil er blevet overbevisende demonstreret at inficere. Shi udvikler i øjeblikket en model til at forudsige værterne for disse nyligt opdagede RNA-vira i håbet om, at det vil hjælpe forskere med at forstå de roller, disse vira spiller inden for deres miljømæssige nicher.