Colin Carlson, ein Biologe an der Georgetown University, hat begonnen, sich über Mauspocken Sorgen zu machen.
Das 1930 entdeckte Virus breitet sich unter Mäusen aus und tötet sie mit rücksichtsloser Effizienz. Wissenschaftler haben es jedoch nie als potenzielle Bedrohung für den Menschen angesehen. Jetzt sind sich Dr. Carlson, seine Kollegen und ihre Computer nicht mehr so sicher.
Mithilfe einer Technik, die als maschinelles Lernen bekannt ist, haben die Forscher die letzten Jahre damit verbracht, Computer zu programmieren, um sich selbst etwas über Viren beizubringen, die menschliche Zellen infizieren können. Die Computer haben riesige Mengen an Informationen über die Biologie und Ökologie der tierischen Wirte dieser Viren sowie die Genome und andere Merkmale der Viren selbst durchforstet. Im Laufe der Zeit erkannten die Computer bestimmte Faktoren, die vorhersagen würden, ob ein Virus das Potenzial hat, auf den Menschen überzugehen.
Nachdem die Computer ihre Leistungsfähigkeit bei Viren bewiesen hatten, die Wissenschaftler bereits intensiv untersucht hatten, setzten Dr. Carlson und seine Kollegen sie auf dem Unbekannten ein und erstellten schließlich eine kurze Liste von Tierviren mit dem Potenzial, die Artengrenze zu überwinden und menschliche Ausbrüche zu verursachen.
Bei den jüngsten Durchläufen haben die Algorithmen das Mauspockenvirus unerwartet in die Spitzengruppe der Risikoerreger gesetzt.
„Jedes Mal, wenn wir dieses Modell ausführen, kommt es super hoch“, sagte Dr. Carlson.
Verwirrt wühlten Dr. Carlson und seine Kollegen in der wissenschaftlichen Literatur herum. Sie stießen auf die Dokumentation eines längst vergessenen Ausbruchs im Jahr 1987 im ländlichen China. Schulkinder erkrankten an einer Infektion, die Halsschmerzen und Entzündungen in Händen und Füßen verursachte.
Jahre später führte ein Team von Wissenschaftlern Tests mit Rachenabstrichen durch, die während des Ausbruchs gesammelt und eingelagert worden waren. Wie die Gruppe 2012 berichtete, enthielten diese Proben Mauspocken-DNA. Aber ihre Studie fand wenig Beachtung, und ein Jahrzehnt später gelten Mauspocken immer noch nicht als Bedrohung für den Menschen.
Wenn der von Dr. Carlson und seinen Kollegen programmierte Computer recht hat, verdient der Virus einen neuen Look.
„Es ist einfach verrückt, dass dies in dem riesigen Haufen von Sachen verloren gegangen ist, die die öffentliche Gesundheit durchsehen muss“, sagte er. „Das ändert tatsächlich die Art und Weise, wie wir über dieses Virus denken.“
Wissenschaftler haben etwa 250 menschliche Krankheiten identifiziert, die entstanden, als ein Tiervirus die Artengrenze übersprang. HIV ist zum Beispiel von Schimpansen übergesprungen, und das neue Coronavirus hat seinen Ursprung in Fledermäusen.
Im Idealfall möchten Wissenschaftler das nächste Spillover-Virus erkennen, bevor es begonnen hat, Menschen zu infizieren. Aber es gibt viel zu viele tierische Viren, als dass Virologen sie untersuchen könnten. Wissenschaftler haben mehr als 1.000 Viren in Säugetieren identifiziert, aber das ist höchstwahrscheinlich ein winziger Bruchteil der wahren Zahl. Einige Forscher vermuten, dass Säugetiere Zehntausende von Viren in sich tragen, während andere die Zahl auf Hunderttausende schätzen.
Um potenzielle neue Übertragungseffekte zu identifizieren, verwenden Forscher wie Dr. Carlson Computer, um verborgene Muster in wissenschaftlichen Daten zu erkennen. Die Maschinen können zum Beispiel Viren einkreisen, die besonders wahrscheinlich eine menschliche Krankheit hervorrufen, und sie können auch vorhersagen, welche Tiere am wahrscheinlichsten gefährliche Viren beherbergen, von denen wir noch nichts wissen.
„Es fühlt sich an, als hätten Sie ein neues Paar Augen“, sagte Barbara Han, eine Krankheitsökologin am Cary Institute of Ecosystem Studies in Millbrook, NY, die mit Dr. Carlson zusammenarbeitet. „Man kann einfach nicht in so vielen Dimensionen sehen wie das Modell.“
Dr. Han stieß 2010 zum ersten Mal auf maschinelles Lernen. Informatiker hatten die Technik jahrzehntelang entwickelt und begannen damit, leistungsstarke Werkzeuge zu bauen. Heutzutage ermöglicht maschinelles Lernen Computern, betrügerische Kreditbelastungen zu erkennen und die Gesichter von Menschen zu erkennen.
Aber nur wenige Forscher hatten maschinelles Lernen auf Krankheiten angewendet. Dr. Han fragte sich, ob sie damit offene Fragen beantworten könnte, etwa warum weniger als 10 Prozent der Nagetierarten Krankheitserreger beherbergen, von denen bekannt ist, dass sie Menschen infizieren.
Sie fütterte einen Computer mit Informationen über verschiedene Nagetierarten aus einer Online-Datenbank – alles vom Alter beim Absetzen bis zur Populationsdichte. Der Computer suchte dann nach Merkmalen der Nagetiere, von denen bekannt ist, dass sie eine große Anzahl von artenübergreifenden Krankheitserregern beherbergen.
Nachdem der Computer ein Modell erstellt hatte, testete sie es mit einer anderen Gruppe von Nagetierarten, um zu sehen, wie gut er erraten konnte, welche mit Krankheitserregern belastet waren. Schließlich erreichte das Computermodell eine Genauigkeit von 90 Prozent.
Dann wandte sich Dr. Han Nagetieren zu, die noch auf Spillover-Erreger untersucht werden müssen, und stellte eine Liste mit Arten mit hoher Priorität zusammen. Dr. Han und ihre Kollegen sagten voraus, dass Arten wie die Bergmaus und die Nördliche Grashüpfermaus im Westen Nordamerikas besonders wahrscheinlich besorgniserregende Krankheitserreger übertragen würden.
Von allen Eigenschaften, die Dr. Han und ihre Kollegen ihrem Computer zur Verfügung stellten, war die Lebensdauer der Nagetiere die wichtigste. Arten, die jung sterben, tragen mehr Krankheitserreger, vielleicht weil die Evolution mehr Ressourcen in die Fortpflanzung als in den Aufbau eines starken Immunsystems gesteckt hat.
Diese Ergebnisse beinhalteten jahrelange sorgfältige Forschung, in der Dr. Han und ihre Kollegen ökologische Datenbanken und wissenschaftliche Studien auf der Suche nach nützlichen Daten durchkämmten. In jüngerer Zeit haben Forscher diese Arbeit beschleunigt, indem sie Datenbanken erstellt haben, die speziell darauf ausgelegt sind, Computern etwas über Viren und ihre Wirte beizubringen.
Im März stellten Dr. Carlson und seine Kollegen beispielsweise eine Open-Access-Datenbank namens VIRION vor, die eine halbe Million Informationen über 9.521 Viren und ihre 3.692 Tierwirte angehäuft hat – und weiter wächst.
Datenbanken wie VIRION ermöglichen es nun, gezieltere Fragen zu neuen Pandemien zu stellen. Als die Covid-Pandemie ausbrach, wurde schnell klar, dass sie durch ein neues Virus namens SARS-CoV-2 verursacht wurde. Dr. Carlson, Dr. Han und ihre Kollegen erstellten Programme, um die Tiere zu identifizieren, die am wahrscheinlichsten Verwandte des neuen Coronavirus beherbergen.
SARS-CoV-2 gehört zu einer Artengruppe namens Betacoronaviren, zu der auch die Viren gehören, die die SARS- und MERS-Epidemien beim Menschen verursacht haben. Betacoronaviren infizieren hauptsächlich Fledermäuse. Als SARS-CoV-2 im Januar 2020 entdeckt wurde, waren 79 Fledermausarten als Träger bekannt.
Wissenschaftler haben jedoch nicht alle 1.447 Fledermausarten systematisch nach Betacoronaviren durchsucht, und ein solches Projekt würde viele Jahre in Anspruch nehmen.
Indem sie biologische Daten über die verschiedenen Arten von Fledermäusen – ihre Ernährung, die Länge ihrer Flügel usw. – in ihren Computer einspeisten, erstellten Dr. Carlson, Dr. Han und ihre Kollegen ein Modell, das höchstwahrscheinlich Vorhersagen über die Fledermäuse liefern konnte Betacoronaviren zu beherbergen. Sie fanden über 300 Arten, die der Rechnung entsprechen.
Seit dieser Vorhersage im Jahr 2020 haben Forscher tatsächlich Betacoronaviren in 47 Fledermausarten gefunden – die alle auf den Vorhersagelisten standen, die von einigen der Computermodelle erstellt wurden, die sie für ihre Studie erstellt hatten.
Daniel Becker, ein Krankheitsökologe an der Universität von Oklahoma, der auch an der Betacoronavirus-Studie arbeitete, sagte, es sei auffallend, wie einfache Merkmale wie die Körpergröße zu aussagekräftigen Vorhersagen über Viren führen könnten. „Vieles davon ist die niedrig hängende Frucht der vergleichenden Biologie“, sagte er.
Dr. Becker geht der Liste potenzieller Betacoronavirus-Wirte nun aus eigener Kraft nach. Es stellt sich heraus, dass einige Fledermäuse in Oklahoma sie beherbergen sollen.
Wenn Dr. Becker ein Hinterhof-Betacoronavirus findet, kann er nicht sofort sagen, dass es eine unmittelbare Bedrohung für den Menschen ist. Wissenschaftler müssten zunächst mühsame Experimente durchführen, um das Risiko abzuschätzen.
Dr. Pranav Pandit, Epidemiologe an der University of California in Davis, warnt davor, dass diese Modelle noch in Arbeit sind. Wenn sie an gut untersuchten Viren getestet werden, schneiden sie wesentlich besser ab als der Zufall, könnten aber besser abschneiden.
„Es ist nicht in einem Stadium, in dem wir diese Ergebnisse einfach nehmen und eine Warnung erstellen können, um der Welt zu sagen: ‚Dies ist ein Zoonosevirus’“, sagte er.
Nardus Mollentze, Computervirologe an der Universität Glasgow, und seine Kollegen haben eine Methode entwickelt, die die Genauigkeit der Modelle deutlich erhöhen könnte. Anstatt sich die Wirte eines Virus anzusehen, betrachten ihre Modelle seine Gene. Einem Computer kann beigebracht werden, subtile Merkmale in den Genen von Viren zu erkennen, die Menschen infizieren können.
In ihrem ersten Bericht über diese Technik entwickelten Dr. Mollentze und seine Kollegen ein Modell, das menscheninfizierende Viren in mehr als 70 Prozent der Fälle korrekt erkennen konnte. Dr. Mollentze kann noch nicht sagen, warum sein Gen-basiertes Modell funktioniert hat, aber er hat einige Ideen. Unsere Zellen können fremde Gene erkennen und einen Alarm an das Immunsystem senden. Viren, die unsere Zellen infizieren können, haben möglicherweise die Fähigkeit, unsere eigene DNA als eine Art virale Tarnung nachzuahmen.
Als sie das Modell auf Tierviren anwandten, erstellten sie eine Liste mit 272 Arten, bei denen ein hohes Risiko besteht, dass sie übergreifen. Das sind zu viele, als dass Virologen sie eingehend untersuchen könnten.
„Man kann nur an so vielen Viren arbeiten“, sagte Emmie de Wit, eine Virologin bei den Rocky Mountain Laboratories in Hamilton, Montana, die die Forschung zum neuen Coronavirus, Influenza und anderen Viren beaufsichtigt. „Auf unserer Seite müssten wir es wirklich eingrenzen.“
Dr. Mollentze räumte ein, dass er und seine Kollegen einen Weg finden müssen, um die schlimmsten der schlimmsten Tierviren zu lokalisieren. „Das ist nur ein Anfang“, sagte er.
Um seine erste Studie weiterzuverfolgen, arbeitet Dr. Mollentze mit Dr. Carlson und seinen Kollegen zusammen, um Daten über die Gene von Viren mit Daten über die Biologie und Ökologie ihrer Wirte zusammenzuführen. Die Forscher erzielen mit diesem Ansatz einige vielversprechende Ergebnisse, darunter das verlockende Blei der Mauspocken.
Andere Arten von Daten können die Vorhersagen noch besser machen. Eines der wichtigsten Merkmale eines Virus ist beispielsweise die Beschichtung seiner Oberfläche mit Zuckermolekülen. Verschiedene Viren enden mit unterschiedlichen Mustern von Zuckermolekülen, und diese Anordnung kann einen großen Einfluss auf ihren Erfolg haben. Einige Viren können diese molekulare Glasur verwenden, um sich vor dem Immunsystem ihres Wirts zu verstecken. In anderen Fällen kann das Virus seine Zuckermoleküle verwenden, um sich an neue Zellen zu binden und eine neue Infektion auszulösen.
Diesen Monat haben Dr. Carlson und seine Kollegen online einen Kommentar veröffentlicht, in dem behauptet wird, dass maschinelles Lernen viele Erkenntnisse aus der Zuckerbeschichtung von Viren und ihren Wirten gewinnen kann. Wissenschaftler haben bereits viel von diesem Wissen gesammelt, aber es muss noch in eine Form gebracht werden, von der Computer lernen können.
„Mein Bauchgefühl sagt, dass wir viel mehr wissen, als wir denken“, sagte Dr. Carlson.
Dr. de Wit sagte, dass Modelle des maschinellen Lernens Virologen wie sie eines Tages anleiten könnten, bestimmte Tierviren zu untersuchen. „Davon wird definitiv ein großer Vorteil ausgehen“, sagte sie.
Sie stellte jedoch fest, dass sich die Modelle bisher hauptsächlich auf das Potenzial eines Krankheitserregers zur Infektion menschlicher Zellen konzentriert haben. Bevor eine neue menschliche Krankheit verursacht wird, muss sich ein Virus auch von einer Person zur anderen ausbreiten und dabei schwerwiegende Symptome verursachen. Sie wartet auf eine neue Generation von Modellen für maschinelles Lernen, die auch diese Vorhersagen treffen können.
„Was wir wirklich wissen wollen, ist nicht unbedingt, welche Viren Menschen infizieren können, sondern welche Viren einen Ausbruch verursachen können“, sagte sie. „Das ist also wirklich der nächste Schritt, den wir herausfinden müssen.“