Uusi matemaattinen malli ennustaa sairastumista hengitystieinfektioon

​Akuutti hengitystieinfektio, kuten influenssa, on teollisuusmaissa eräs yleisimmistä syistä hakeutua lääketieteelliseen hoitoon. Ihmisen reaktio virusinfektioon voi vaihdella suuresti. Sama virus voi aiheuttaa joillekin vain lieviä oireita ja toisille useita vakavampia oireita. Oireilevat ihmiset levittävät tartuntaa ja voivat aiheuttaa vakavan riskin ihmisille, joilla on heikentynyt vastuskyky. Viruksen oireilua ennustavien biologisten tekijöiden tunnistamisella olisi siis huomattava vaikutus kansanterveyteen.

Akuutin hengitystieinfektion ennustavien tekijöiden tunnistamiseksi järjestettiin Respiratory Viral DREAM Challenge -kilpailu, jonka tarkoituksena oli koota yhteen kansainvälisiä tutkijoita. Yhteensä 39 joukkuetta eri puolilta maailmaa, muun muassa Suomesta, Yhdysvalloista, Japanista ja Iso-Britanniasta, osallistui intensiiviseen kilpailuun. Turun yliopiston joukkue oli yksi parhaiten menestyneistä.

Kilpailun jälkeen kilpailuun osallistuneet mallit analysoitiin ennustavien tekijöiden löytämiseksi. Analysointi tehtiin yhteistyössä osallistujien kesken. Tärkeimpänä löydöksenä oli aineenvaihduntaan liittyvä signalointireitti, joka liittyy elimistön tulehdusvasteeseen. Signalointireitin geenit vaikuttavat oireiden syntymiseen. Löydettyjen geenien avulla voidaan ennustaa oireita jo ennen virukselle altistumista.

– Osallistuminen kansainvälisten DREAM Challenge -kilpailujen kaltaisiin, hajautettua ongelmanratkaisua hyödyntäviin haasteisiin tarjoaa erinomaisen mahdollisuuden aktiiviseen yhteistyöhön huippuyliopistojen ja -tutkijoiden kanssa. Tämä projekti on hyvä esimerkki siitä, miten olemassa olevasta aineistosta voidaan löytää uutta tietoa ja miten avoimia aineistoja voidaan hyödyntää lääketieteen hyväksi. Tällaisten ponnistusten lopullinen edunsaaja on yhteiskunta, sanoo tutkimusjohtaja Laura Elo Turun biotekniikan keskuksesta.

Elo toimi kilpailussa menestyneen Turun yliopiston joukkueen johtajana.

Edistyneet laskennalliset ja matemaattiset menetelmät yhdessä kasvaneen laskentatehon ja tietomäärän kanssa mahdollistavat nopean kehityksen tieteessä ja lääketieteessä.

– Elämme aikakautta, jolloin valtavia määriä biologista aineistoa tuotetaan suunnattomalla vauhdilla. Nykyiset laskentakapasiteetit mahdollistavat näiden valtavien tietomäärien analysoinnin ja hyödyntämisen edelleen täsmälääketieteessä, sanoo tohtorikoulutettava Mehrad Mahmoudian, joka oli yksi joukkueen avainhenkilöistä.

Tulokset on julkaistu Nature Communications -lehdessä: https://doi.org/10.1038/s41467-018-06735-8  

TJ
Kuva: Public Domain Files