如果科学家能够在疫情开始之前就预见到其发生的可能性会怎样？如果我们不是在应对新出现的威胁时手忙脚乱，而是能够预防它呢？
在过去的一年中，马尔堡病毒、猴痘和禽流感（H5N1）等疾病的爆发凸显了加强准备以防止未来疫情的重要性。尽管世界仍在应对新冠疫情的长期影响，但科学家们正致力于通过人工智能驱动的建模和预测分析来充分发挥人工智能在全球卫生安全方面的潜力——希望能够预见潜在的疫情，评估风险因素，并创建可以拯救生命的早期预警系统。
例如，佛罗里达大学新兴病原体研究所的研究人员发布了一种算法，该算法能够预测当前流通的哪种新冠病毒变种最有可能在未来三个月内成为主导。这一算法用于识别新的值得关注的变种，并且在这些变种被美国疾病控制与预防中心正式命名之前的整整十周内，正确地识别出了11个变种。
通过对公开可用的SARS-CoV-2基因序列进行训练，科学家们可以继续预测哪些突变将对公共卫生构成最大的威胁。
然而，人工智能在实验室中的潜力远不止于新冠。当应用于其他传染病如艾滋病时，人工智能驱动的模式识别可以揭示导致治疗和结果差异的风险因素，甚至可以定位传播仍然顽固高发的地区。
在新冠疫情爆发前数月，全球变化研究已经展示了人工智能在提供病毒出现趋势信息方面的能力，以期击败下一次疫情。通过构建数据集和经验学习，人工智能在跨物种传播的应用已被用于理解人畜共患病（主要是媒介传播疾病）的传播，以及全球变化对疾病出现和传播的影响。
传染病研究可以利用新旧数据来回答关于预测新兴病原体的基本计算问题。这类研究是多学科的，涉及科学家们更多地了解宿主-病毒网络，以及数据流畅性和知识转化。
鉴于当今处理的数据量巨大，迫切需要提高用于分析这些数据的技术质量，并向更广泛的科学界传达这一需求。将人工智能整合到传染病研究中强调了增强未来研究能力的必要性，这意味着要在所有类型的病原体相关科学研究上取得突破。
例如，像炭疽这样的细菌性疾病也受益于人工智能增强的检测技术。在德克萨斯州西南部，动物与其环境的互动方式与炭疽病的传播密切相关，机器学习在这方面发挥了重要作用。研究人员正在开发一种基于人工智能的模型，可以根据最初几个月的动物病例情况来预测疫情的可能性。目标是在两个月前确定疫情发生的可能性。
佛罗里达州是美国农作物生产的主要州之一，并为气候相似地区的疾病管理提供了典范。全球植物健康也可以从人工智能提供的智能解决方案中受益。农民可以使用人工智能设计和构建针对疾病管理的智能农业系统，减少灾害对农业系统的影响。农业工作者可以使用人工智能模型支持粮食安全，并优化工具消毒和作物轮作的方式。
通过向人工智能模型输入数十年的数据，算法可以熟悉对应不同植被数量的不同绿色水平。在向算法展示部分模式后，研究人员教会它找到前几年的匹配项，并随后填补不完整数据的空白，以对未来年份进行预测。
这些应用只是开始。人工智能在检测和预防疾病方面的潜力是无限的，使我们能够以主动而非被动的方式应对公共卫生问题。防止下一次大流行的斗争可以有所不同。
(全文结束)
