Una squadra di ricercatori della Sapienza Università di Roma ha appena presentato un approccio basato su intelligenza artificiale capace di anticipare quali mammiferi potrebbero ospitare virus ancora sconosciuti. Lo studio, pubblicato su Nature Communications mette in evidenza come l’analisi dei dati ecologici e virologici possa essere potenziata da tecniche di machine learning più sofisticate, aprendo nuove prospettive per la prevenzione di emergenze sanitarie.
Le conoscenze attuali sui virus zoonotici sono estremamente scarse: si stima che meno dell’1 % dei virus trasmessi da mammiferi sia stato effettivamente catalogato. Inoltre, le banche dati disponibili sono sbilanciate verso specie e regioni geografiche più studiate, lasciando ampie zone d’ombra in cui la presenza di un patogeno può passare inosservata. Questo scenario rende difficile valutare con precisione il rischio di future epidemie, come quelle provocate da SARS, MERS, Ebola, Nipah e, più recentemente, da SARS-CoV-2.
Il metodo Dynamic Positive-Unlabeled sviluppato dal team di Sapienza
Guidati da Moreno Di Marco responsabile del Biodiversity & Global Change Lab i ricercatori Gabriele Pignalberi (primo autore) e Andrea Tonelli hanno ideato il Dynamic Positive-Unlabeled (DPU) learning. Questo algoritmo distingue tra l’effettiva assenza di un virus in una specie e la semplice mancanza di dati, correggendo così le distorsioni di cui soffrono i set tradizionali. Il learning dinamico permette al modello di aggiornare le proprie previsioni man mano che nuove informazioni diventano disponibili, migliorando la robustezza delle stime.
Correzione dei bias e miglioramento delle previsioni
Il DPU parte da un insieme di “positivi” – ovvero le associazioni virus-ospite già documentate – e integra un gran numero di “unlabeled”, cioè casi in cui la presenza del virus è ignota. Attraverso una procedura iterativa, il modello assegna probabilità a ciascuna coppia mammifero-virus, separando i veri vuoti di conoscenza dalle assenze reali. Questo processo riduce l’effetto di sampling bias e consente di generare una lista di potenziali ospiti con un’accuratezza superiore rispetto ai metodi statistici tradizionali.
Conferme sperimentali e scoperta di nuove relazioni
Le previsioni generate dal DPU sono state successivamente verificate in laboratorio, dimostrando la capacità del modello di individuare associazioni poi confermate da dati sperimentali. I risultati indicano che il numero reale di collegamenti tra mammiferi e famiglie virali è molto più elevato rispetto a quanto finora registrato. Tale evidenza suggerisce che molte specie attualmente ritenute “immune” potrebbero in realtà fungere da riserva per patogeni emergenti.
Impatto sulla sorveglianza delle malattie emergenti
Identificare in anticipo quali animali possono fungere da serbatoio per virus zoonotici rappresenta una priorità per le autorità sanitarie. Grazie al Dynamic Positive-Unlabeled learning è possibile indirizzare le risorse di monitoraggio verso specie e aree finora trascurate, riducendo il tempo necessario per rilevare nuovi patogeni. Questo approccio promette di rafforzare i programmi di prevenzione delle pandemie fornendo una base scientifica più solida per la gestione del rischio globale.
Il successo di questo studio apre la strada a ulteriori sviluppi nell’applicazione dell’intelligenza artificiale alla ecologia delle malattie. Con l’allargamento delle banche dati e l’integrazione di nuove fonti di informazione, il modello DPU potrà essere ulteriormente affinato, contribuendo a una mappatura sempre più completa del panorama virale. In ultima analisi, una vigilanza più proattiva potrebbe ridurre drasticamente la probabilità di future crisi sanitarie su scala mondiale.
