یادگیری ماشین در تشخیص عامل اصلی باکتری سالمونلا به کمک دانشمندان می‌آید

امسال، صدها نفر از طریق گوشت آلوده‌ی گاو به باکتری سالمونلا، گیاه kratom، کره‌ی دانه‌ کنجد، حتی کبوترهای خانگی و برخی عوامل دیگر، دچار بیماری اسهال و استفراغ شدند.

معمولا باکتری سالمونلا در روده‌های حیوان قرار دارد. دانشمندان موفق شده‌اند با کمک یادگیری ماشین، متوجه شوند باکتری سالمونلا موجود در مواد غذایی مربوط به روده‌ی کدام حیوان است. در این صورت راحت‌تر و بهتر می‌توانند در برابر اثرات خطرناک و ناخوشایند بیماری‌های مربوط به آن واکنش نشان بدهند. 

محققان دانشگاه جورجیا با همکاری ژیانگو دنگ، الگوریتمی برای تشخیص تفاوت‌های ژنتیکی بین گونه‌های مختلف باکتری سالمونلا طراحی کرده‌اند. معمولا باکتری سالمونلا از طریق چهار میزبان اصلی، خوک، گاو، مرغ و پرندگان وحشی به مواد غذایی منتقل می‌شود. نشریه‌ی Emerging Infectious Diseases، نتایج تحقیق انجام‌شده در مورد الگوریتم تشخیص باکتری سالمونلا را به‌صورت آنلاین منتشر کرد. این تیم تحقیقاتی، الگوریتم تشخیص منشا باکتری سالمونلا را روی ۸ بیماری شایع در طی ۲۰ سال گذشته آزمایش کردند و متوجه شدند که الگوریتم در هفت مورد از میان هشت مورد بیماری، می‌تواند به‌درستی منشا باکتری را شناسایی کند. باوجودی که الگوریتم هنوز نیاز به آموزش بیشتری دارد، اما در همین سطح نیز می‌تواند برای تشخیص عفونت‌های ناشی از باکتری سالمونلا و جلوگیری از انتقال بیماری از طریق مواد غذایی، نقش موثری داشته باشد.

اگر باکتری سالمونلا در گوشت گاو تشخیص داده شود، احتمالا انتظار دارید که عفونت از طریق گاو منتقل شده باشد. اما این امکان وجود دارد که باکتری سالمونلا در برخی مواد غذایی که حتی فکرش را هم نمی‌کنید، وجود داشته باشد. مثلا ممکن است باکتری سالمونلا در کره دانه‌ی کنجد، گیاه مخدر شاهدانه (کانابیس) و kratom و حتی در cantaloupes باشد. وقتی باکتری سالمونلا در چنین موادی رویت می‌شود، تشخیص منشا اصلی آن کمی پیچیده خواهد شد. هر حیوانی اعم از خزندگان، جوندگان و حتی سگ‌ها ممکن است باعث شیوع باکتری سالمونلا شده باشند. تشخیص منشا باکتری سالمونلا، برای مهار بیماری بسیار مهم است و حتی می‌تواند مانع شیوع بیشتر بیماری شود.

باتوجه به آنچه مطرح شد، تحقیقات انجام‌شده توسط دانشمندان به سرپرستی دنگ، می‌تواند پیشرفت مهمی در این حوزه محسوب شود. باوجودی که الگوریتم مبتنی بر یادگیری ماشینی هنوز نیاز به آموزش بیشتری دارد و تنها چهار عامل اصلی در شیوع باکتری سالمونلا به آن آموزش داده شده است؛ ولی همین قدم‌های اولیه نیز بسیار حائز اهمیت هستند. این الگوریتم، در حال حاضر تنها می‌تواند منشا یک نوع باکتری سالمونلا را تشخیص بدهد، و این در حالی است که باکتری سالمونلا می‌تواند بیش از ۲۵۰۰ منشا متفاوت داشته باشد. نیکی شریعت، استاد دانشکده گتیزبرگ و متخصص باکتری سالمونلا، معتقد است که این تحقیق مبتنی بر یادگیری ماشینی می‌تواند سلاح دیگری در زرادخانه‌ی بهداشت و درمان محسوب شود. البته لازم به ذکر است که وی در تیم تحقیقات این پروژه حضور نداشته است. بخشی از تحقیقات مربوط به شناسایی علل شیوع عامل اصلی باکتری سالمونلا، از طریق مصاحبه با افراد درگیر بیماری تکمیل می‌شود. دانشمندان به‌منظور سرعت بخشیدن به روند کار، از بیماران سوالاتی می‌پرسند؛ مثلا آنها می‌خواهند بدانند که بیمار چه غذاهایی را و در چه زمانی مصرف کرده است.

بیل مارلر، یکی از متخصصین بهداشت مواد غذایی معتقد است که اگر ابزاری بتواند عامل بیماری‌زا بودن مواد غذایی را تشخیص دهد، قدم بزرگی در سیاست‌گذاری بهداشت مواد غذایی برداشته خواهد شد. وی معتقد است:

واقعا شگفت‌انگیز است که دانشمندان توانسته‌اند، از طریق توالی کامل ژنوم، عامل اصلی باکتری را شناسایی کنند. اما سوال مهم این است که متخصصین بهداشت مواد غذایی، یا حتی نهادهای قانون‌گذار در حوزه‌ی مواد غذایی، چه راهکاری را برای حل چنین مشکلاتی در پیش خواهند گرفت؟ 

همان‌طور که گفته شد، تیم تحقیقاتی دنگ، با استفاده از یادگیری ماشین در تلاش هستند تا ویژگی‌های ژنتیکی که می‌تواند در تشخیص باکتری سالمونلا موثر باشد را شناسایی کنند. یکی از موضوعاتی که دانشمندان با آن درگیر هستند، این است که وقتی باکتری سالمونلا از طریق میزبانی مثلا خوک منتقل می‌شود، ژنوم آن با گذشت زمان کمی تغییر می‌کند. تیم تحقیقاتی دنگ، درصدد هستند با کمک الگوریتم مبتنی بر یادگیری ماشینی، بتوانند اثر انگشت ژنتیکی باکتری سالمونلا را که از طریق خوک منتقل شده است، شناسایی کرده و این الگوریتم آن‌قدر قوی باشد که بتواند باکتری سالمونلا که از طریق گاو منتقل شده را از خوک تشخیص دهد.

باکتری سالمونلا انواع مختلفی دارد و تیم تحقیقاتی دانشمندان روی یکی از رایج‌ترین گونه‌های سالمونلا به نام تیفی (Typhimurium)‌ که در ایالات متحده‌ی آمریکا از سایر گونه‌ها شایع‌تر است، تمرکز کرده‌اند. این تیم تحقیقاتی تاکنون بیش از ۱۴۰۰ توالی ژنوم تیفی را در سراسر جهان ردیابی کرده‌اند. محققان برای انجام این کار از اطلاعات موجود در پایگاه‌های سلامت عمومی آنلاین نیز کمک گرفته‌اند. در نتیجه محققان نمونه‌های مختلفی از باکتری سالمونلا که از طریق خوک‌ها، گاوها، مرغ و پرندگان وحشی شیوع پیدا کرده بودند در اختیار داشتند تا بتوانند الگوریتم مبتنی بر یادگیری ماشینی را آموزش بدهند. 

تیم تحقیقاتی، الگوریتم را با نمونه‌هایی از هشت بیماری شایع که منشا آن حیوانی بوده است، مورد بررسی قرار دادند. الگوریتم تنها با بررسی ژنوم، تونست منشا هفت باکتری سالمونلا را از بین هشت بیماری شایع تشخیص دهد. الگوریتم در شناسایی عامل باکتری سالمونلا از طریق مرغ و گوشت خوک عملکرد خوبی از خود نشان داد. محققان سیر تکاملی باکتری سالمونلا مرتبط با حیوانات را بررسی کردند و متوجه شدند که الگوی جالبی دارد. ظاهرا باکتری سالمونلا در دهه‌ی ۱۹۹۰ در سراسر ایالات متحده شیوع پیدا کرده است. آنها متوجه شدند در آن مقطع زمانی، تولید صنعتی محصولات دامی می‌تواند یکی از دلایل شیوع بیماری‌های مربوط به باکتری سالمونلا باشد. 

باید توجه داشته باشیم که تشخیص دلایل شیوع باکتری سالمونلا یک وجه قضیه است و شناسایی عامل عفونت، وجه دیگر موضوع است. درنتیجه انتظار می‌رود که الگوریتم مبتنی بر یادگیری ماشینی بتواند هر دو زاویه‌ی موضوع را پوشش دهد. در بررسی‌های انجام‌شده برای تشخیص عامل شیوع باکتری سالمونلا مشخص شد که تقریبا در یک سوم موارد، عامل اصلی باکتری گاو، خوک، مرغ و یا پرنده وحشی بوده است. بقیه‌ی موارد تقریبا مبهم بودند. حتی ممکن است که افرادی که دچار بیماری‌های مربوط به باکتری سالمونلا شده باشند، از طریق گونه‌های مختلف میزبان این باکتری شده باشند. دنگ معتقد است:

باکتری سالمونلا ممکن است از طریق میزبان‌های مختلفی منتقل شده باشد و هیچ راهی برای پیش‌بینی منشا و عامل اصلی باکتری وجود ندارد.

در شرایط فعلی و در برخی موارد، ابزار مبتنی بر یادگیری ماشین هم نمی‌تواند منشا اصلی باکتری را شناسایی کند. همان‌طور که گفته شد، الگوریتم تنها روی چهار عامل اصلی متمرکز شده و بالطبع برای شناسایی باکتری سالمونلا که از طریق ماهی یا لاک پشت شیوع پیدا کرده باشد، هنوز آموزش ندیده است. دنگ معتقد است که الگویتم باید برای شناسایی سایر عوامل، آموزش ببیند. وی معتقد است:

در حال بررسی ژنوم‌های بیشتری هستیم و مطمئنا تعداد آنها در طول زمان افزایش خواهد یافت. با اینکه در شرایط فعلی اطلاعات محدودی در این زمینه تهیه شده است، ولی همین اطلاعات کم و ظاهرا محدود، بهتر از نداشتن هیچ‌گونه اطلاعات است. اما باید اعتراف کنیم که هنوز راه زیادی باید برویم و کارهای بسیاری به‌انجام برسانیم.