DOI: https://doi.org/10.3389/fmicb.2025.1717859
PMID: https://pubmed.ncbi.nlm.nih.gov/41602756
تاريخ النشر: 2026-01-12
المؤلف: David Chisompola وآخرون
الموضوع الرئيسي: اللقاحات وطرق المعلوماتية المناعية
نظرة عامة
تناقش هذه الفقرة الدور الحاسم للتسلسل الجيني الفيروسي الميتاجينومي من الجيل التالي (mNGS) في مواجهة تفشي الفيروسات الناشئة، مع التأكيد على الحاجة إلى نهج استباقي للأمن الصحي. بينما يُعتبر mNGS أداة قوية لاكتشاف مسببات الأمراض، إلا أن فعاليته قد تم تقييدها بسبب تعقيدات تحليل البيانات أثناء التفشي. إن دمج الذكاء الاصطناعي (AI) مع mNGS يُحدث تحولًا في هذا المجال من خلال تعزيز سرعة وقابلية توسيع استجابات التفشي. تُحسن التحليلات المدفوعة بالذكاء الاصطناعي، باستخدام هياكل متقدمة مثل الشبكات العصبية التلافيفية، والشبكات العصبية المتكررة، والمحولات، تجميع الجينوم وتصنيف التسلسل، مما يمكّن من تحديد مسببات الأمراض بشكل أسرع واكتشاف عائلات فيروسية جديدة.
على الرغم من هذه التقدمات، لا تزال التحديات قائمة، بما في ذلك البيانات التدريبية المحدودة، وقابلية تفسير نماذج الذكاء الاصطناعي، وخطر تفاقم الفجوات في الوصول إلى الصحة العالمية. تسلط المراجعة الضوء على الحلول المحتملة، مثل التعلم الفيدرالي لمشاركة البيانات مع الحفاظ على الخصوصية والذكاء الاصطناعي القابل للتفسير لتعزيز الثقة والفهم. في النهاية، يدعو المؤلفون إلى نموذج “الذكاء الاصطناعي أولاً” في استعدادات التفشي، مقترحين تطوير “أنظمة مناعية رقمية” متكاملة للمراقبة العالمية المستمرة. يُعتبر هذا التآزر بين mNGS و AI قفزة تحويلية في تعزيز المرونة ضد الأوبئة المستقبلية.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التهديد المستمر الذي تشكله مسببات الأمراض الفيروسية الناشئة والمتكررة، كما يتضح من التفشيات الأخيرة مثل إيبولا، وزيكا، وسارس-كوف-2، ومبوك. تؤكد هذه الحوادث على قدرة الأمراض المعدية على إثارة الأوبئة والجوائح، والتي يمكن أن تعطل أنظمة الرعاية الصحية والمجتمع بشكل كبير. يُعزى تزايد تكرار مثل هذه التفشيات، وخاصة تلك ذات الأصل الحيواني، إلى عوامل مثل تغير المناخ وزيادة الاتصال العالمي. يعد عامل السرعة في استجابات الصحة العامة أمرًا حاسمًا في التخفيف من هذه التهديدات، والذي يبدأ بالتعرف السريع على مسببات الأمراض.
تواجه الطرق التشخيصية التقليدية، بما في ذلك المجهر واختبارات تضخيم الحمض النووي (NAATs) مثل PCR، قيودًا من حيث السرعة والدقة، وغالبًا ما تتطلب معرفة مسبقة بالفيروس. وقد أدى ذلك إلى فجوة تشخيصية أثناء التفشي، مما يضع التسلسل الجيني الميتاجينومي من الجيل التالي (mNGS) كأداة تحويلية لاكتشاف مسببات الأمراض. يسمح mNGS بالتحليل غير المتحيز للحمض النووي والحمض النووي الريبي من عينات متنوعة، مما يسهل التعرف على الفيروسات المعروفة والجديدة دون معرفة مسبقة بالسبب. ومع ذلك، فإن تعقيد بيانات الميتاجينوم يقدم تحديات تحليلية، والتي بدأت أدوات الذكاء الاصطناعي (AI) مثل التعلم العميق والتعلم الآلي في معالجتها. تعد هذه الطرق المدفوعة بالذكاء الاصطناعي بتحسين سرعة ودقة تفسير البيانات، مما يحسن التحقيقات في التفشي واكتشاف الفيروسات الجديدة. على الرغم من الفوائد المحتملة، تواجه دمج الذكاء الاصطناعي في الميتاجينوميات الفيروسية تحديات تتعلق بجودة البيانات، وقابلية تفسير النماذج، والاعتبارات الأخلاقية، خاصة في البيئات ذات الموارد المحدودة. تهدف هذه المراجعة إلى استكشاف التآزر بين mNGS و AI، موضحة المنهجيات الحالية والاتجاهات المستقبلية لتعزيز استجابة التفشي واكتشاف مسببات الأمراض.
الطرق
تحدد فقرة الطرق في هذه الورقة البحثية إطارًا منهجيًا لإجراء مراجعة أدبية حول طرق فحص التفشي للأمراض المعدية. تسلط الضوء على تطور وقيود التقنيات التشخيصية التقليدية، مثل الطرق المعتمدة على الثقافة، والمجهر المباشر، والاختبارات المناعية، واختبارات تضخيم الحمض النووي (NAATs) مثل تفاعل البوليميراز المتسلسل (PCR). بينما كانت هذه الطرق التقليدية حاسمة للكشف المبكر وتوجيه التشخيص السريري، فإن تطبيقها غير متسق عبر مسببات الأمراض المختلفة وسياقات الصحة العامة بسبب عوامل مثل الأداء التحليلي، والخبرة الفنية، والبنية التحتية، وأوقات الاستجابة، والتكاليف. لا يزال الشك السريري أمرًا حيويًا لتحديد الحالات المشتبه بها، حيث لا تكفي الأعراض وحدها غالبًا للتشخيص الدقيق.
تؤكد الورقة على التأثير التحويلي لـ PCR على الفيروسات التشخيصية منذ السبعينيات، مشيرة إلى حساسيتها العالية (حوالي 95%) ودقتها (قريبة من 100%)، مما جعلها معيارًا ذهبيًا في اكتشاف التفشي. تعزز تقنيات PCR الحديثة في الوقت الحقيقي ومنصات NAAT المتعددة القدرة على اكتشاف مسببات الأمراض المتعددة في وقت واحد، مما يحسن بشكل كبير استجابة التفشي، خاصة بالنسبة للعدوى التنفسية. ومع ذلك، فإن التحديات مثل الإيجابيات الكاذبة، والسلبيات الكاذبة، والتكاليف التشغيلية العالية تحد من إمكانية الوصول إليها في البيئات ذات الموارد المحدودة. تختتم الفقرة بالإشارة إلى أن دمج الذكاء الاصطناعي (AI) مع الميتاجينوميات الفيروسية قد يقدم مزايا كبيرة مقارنة بالطرق التقليدية، خاصة من حيث السرعة، وقابلية التوسع، والقدرات التنبؤية.
المناقشة
في هذه الفقرة، يوضح المؤلفون بحثًا منهجيًا في الأدبيات يهدف إلى استكشاف تقاطع الذكاء الاصطناعي (AI) والتسلسل الجيني الميتاجينومي من الجيل التالي (mNGS) لاكتشاف الفيروسات والتحقيق في التفشي. تم إجراء البحث عبر PubMed وScopus وWeb of Science، مع التركيز على المقالات المنشورة من يناير 2014 إلى سبتمبر 2025، باستخدام سلسلة بحث شاملة تجمع بين الكلمات الرئيسية ذات الصلة ومصطلحات العناوين الطبية (MeSH). أكدت معايير الإدراج على الأبحاث الأصلية التي تمت مراجعتها من قبل الأقران والدراسات التي طبقت منهجيات AI/ML على بيانات mNGS، مع استبعاد الأعمال التي تركز فقط على مسببات الأمراض غير الفيروسية أو أنواع البيانات غير ذات الصلة. شملت عملية الاختيار فحصًا صارمًا على مرحلتين من قبل مراجعين مستقلين، مما يضمن الالتزام بمعايير الأهلية المحددة مسبقًا.
تتوسع المناقشة في الدور الحاسم لـ mNGS في تحديد مسببات الأمراض بسرعة، خاصة في سيناريوهات التفشي. على عكس الطرق التقليدية، يقدم mNGS نهجًا غير متحيز لاكتشاف كل من الفيروسات المعروفة والجديدة، مما يجعله ضروريًا للاستجابات الصحية العامة في الوقت المناسب. يعزز دمج الذكاء الاصطناعي تحليل مجموعات بيانات التسلسل الكبيرة، مما يسهل الرؤى في الوقت الحقيقي التي تدعم إدارة التفشي. يبرز المؤلفون مزايا تقنيات التسلسل المختلفة، بما في ذلك إلومينا وأوكسفورد نانوبور، التي توفر دقة عالية ونتائج سريعة، على التوالي. على الرغم من إمكاناته التحويلية، فإن التطبيق الواسع لـ mNGS يعيقه الحاجة إلى خبرة متخصصة وموارد، خاصة في البلدان ذات الدخل المنخفض والمتوسط. يدعو المؤلفون إلى استمرار التقدم في تكنولوجيا التسلسل ودمج الذكاء الاصطناعي لتعزيز الأمن الصحي العالمي والاستعداد للجوائح.
القيود
تحدد فقرة القيود عدة تحديات مرتبطة بتقنيات التسلسل القصير، خاصة في سياق الدراسات الميتاجينومية. تشمل القيود الرئيسية عدم القدرة على حل المناطق المتكررة، أو تحديد الهياكل الجينية، أو اكتشاف المتغيرات الهيكلية الكبيرة بسهولة، كما أشار غونزاليس وآخرون (2025). بالإضافة إلى ذلك، تُظهر هذه التقنيات تاريخيًا معدلات خطأ أعلى، وتتطلب معلومات حيوية واسعة لتصحيح الأخطاء (سيريكا وآخرون، 2022؛ تشين وآخرون، 2024)، وتتطلب إدخال DNA عالي الجودة، مما يجعلها أقل ملاءمة للتطبيقات السريعة (هان وآخرون، 2024). علاوة على ذلك، فإن تكلفة العينة الواحدة هي الأعلى بين طرق التسلسل، وقد يتطلب اكتشاف الكائنات ذات الوفرة المنخفضة جهود تسلسل عميق، مثل حوالي 30 مليون قراءة لوفرة 1% (روني وآخرون، 2022).
على الرغم من هذه القيود، يُعتبر التسلسل القصير مفيدًا للمراقبة على نطاق واسع وتحديد مسببات الأمراض الحساسة في عينات معقدة، وتحليل SNP عالي الدقة لتتبع التفشي (شيا وآخرون، 2023)، وتجميع de novo لمسببات الأمراض غير المعروفة. لمعالجة أوجه القصور في تقنيات التسلسل القصير، يتم استخدام استراتيجيات هجينة تدمج تسلسل إلومينا مع منصات التسلسل الطويل مثل تقنيات أوكسفورد نانوبور (ONT) أو باك بايوساينس (PacBio) بشكل متزايد (شيا وآخرون، 2023؛ سيفيم وآخرون، 2019). تعزز هذه الاستراتيجيات الهجينة تواصل التجميع، واكتمال الجينوم، وحل المتغيرات الهيكلية مع الاستفادة من نقاط قوة إلومينا في الدقة والإنتاجية. في النهاية، بينما يظل تسلسل إلومينا أساسيًا في الميتاجينوميات، يجب أن يأخذ تصميم الدراسة الأمثل في الاعتبار قيوده والفوائد المحتملة للمنهجيات الهجينة أو الطويلة للحصول على فهم أكثر شمولاً للتنوع الميكروبي وبنية الجينوم.
DOI: https://doi.org/10.3389/fmicb.2025.1717859
PMID: https://pubmed.ncbi.nlm.nih.gov/41602756
Publication Date: 2026-01-12
Author(s): David Chisompola et al.
Primary Topic: vaccines and immunoinformatics approaches
Overview
The section discusses the critical role of viral metagenomic next-generation sequencing (mNGS) in addressing emerging viral outbreaks, emphasizing the need for a proactive approach to health security. While mNGS is a powerful tool for pathogen detection, its effectiveness has been limited by the complexities of data analysis during outbreaks. The integration of artificial intelligence (AI) with mNGS is transforming this landscape by enhancing the speed and scalability of outbreak responses. AI-driven analytics, utilizing advanced architectures such as convolutional neural networks, recurrent neural networks, and transformers, improve genome assembly and sequence classification, enabling faster pathogen identification and the discovery of novel viral families.
Despite these advancements, challenges persist, including limited training data, the interpretability of AI models, and the risk of exacerbating disparities in global health access. The review highlights potential solutions, such as federated learning for privacy-preserving data sharing and explainable AI to enhance trust and understanding. Ultimately, the authors advocate for an “AI-first” paradigm in outbreak preparedness, proposing the development of integrated “Digital Immune Systems” for continuous global surveillance. This synergy between mNGS and AI is positioned as a transformative leap in strengthening resilience against future pandemics.
Introduction
The introduction of this research paper highlights the ongoing threat posed by emerging and re-emerging viral pathogens, as evidenced by recent outbreaks such as Ebola, Zika, SARS-CoV-2, and Mpox. These incidents underscore the capacity of infectious diseases to incite epidemics and pandemics, which can severely disrupt healthcare systems and society at large. The increasing frequency of such outbreaks, particularly those of zoonotic origin, is attributed to factors like climate change and enhanced global connectivity. A crucial factor in mitigating these threats is the speed of public health responses, which begins with the rapid identification of pathogens.
Traditional diagnostic methods, including microscopy and nucleic acid amplification tests (NAATs) like PCR, have limitations in terms of speed and specificity, often requiring prior knowledge of the pathogen. This has led to a diagnostic gap during outbreaks, positioning metagenomic next-generation sequencing (mNGS) as a transformative tool for pathogen detection. mNGS allows for the unbiased analysis of DNA and RNA from various samples, facilitating the identification of both known and novel viruses without prior knowledge of the causative agent. However, the complexity of metagenomic data presents analytical challenges, which artificial intelligence (AI) tools, such as deep learning and machine learning, are beginning to address. These AI-driven methods promise to enhance the speed and accuracy of data interpretation, thereby improving outbreak investigations and the discovery of novel viruses. Despite the potential benefits, the integration of AI in viral metagenomics faces challenges related to data quality, model interpretability, and ethical considerations, particularly in resource-limited settings. This review aims to explore the synergy between mNGS and AI, outlining current methodologies and future directions for advancing outbreak response and pathogen discovery.
Methods
The methods section of this research paper outlines a systematic framework for conducting a literature review on outbreak screening methods for infectious diseases. It highlights the evolution and limitations of traditional diagnostic techniques, such as culture-based methods, direct microscopy, immunoassays, and nucleic acid amplification tests (NAATs) like polymerase chain reaction (PCR). While these traditional methods have been crucial for early detection and guiding clinical diagnosis, their application is inconsistent across various pathogens and public health contexts due to factors like analytical performance, technical expertise, infrastructure, turnaround times, and costs. Clinical suspicion remains vital for identifying suspected cases, as symptoms alone often do not suffice for accurate diagnosis.
The paper emphasizes the transformative impact of PCR on diagnostic virology since the 1970s, noting its high sensitivity (approximately 95%) and specificity (close to 100%), which have established it as a gold standard in outbreak detection. Modern real-time PCR and multiplex NAAT platforms enhance the ability to detect multiple pathogens simultaneously, significantly improving outbreak response, especially for respiratory infections. However, challenges such as false positives, false negatives, and high operational costs limit its accessibility in resource-constrained settings. The section concludes by suggesting that integrating artificial intelligence (AI) with viral metagenomics could offer substantial advantages over traditional methods, particularly in terms of speed, scalability, and predictive capabilities.
Discussion
In this section, the authors detail a systematic literature search aimed at exploring the intersection of artificial intelligence (AI) and metagenomic next-generation sequencing (mNGS) for viral detection and outbreak investigation. The search, conducted across PubMed, Scopus, and Web of Science, focused on articles published from January 2014 to September 2025, utilizing a comprehensive search string that combined relevant keywords and Medical Subject Headings (MeSH) terms. Inclusion criteria emphasized peer-reviewed original research and studies that applied AI/ML methodologies to mNGS data, while excluding works focused solely on non-viral pathogens or unrelated data types. The selection process involved a rigorous two-stage screening by independent reviewers, ensuring adherence to the predefined eligibility criteria.
The discussion further elaborates on the critical role of mNGS in rapid pathogen identification, particularly in outbreak scenarios. Unlike traditional methods, mNGS offers an unbiased approach to detect both known and novel viruses, making it indispensable for timely public health responses. The integration of AI enhances the analysis of extensive sequencing datasets, facilitating real-time insights that support outbreak management. The authors highlight the advantages of various sequencing technologies, including Illumina and Oxford Nanopore, which provide high accuracy and rapid results, respectively. Despite its transformative potential, the widespread application of mNGS is hindered by the need for specialized expertise and resources, particularly in low- and middle-income countries. The authors advocate for continued advancements in sequencing technology and AI integration to bolster global health security and pandemic preparedness.
Limitations
The section on limitations outlines several challenges associated with short-read sequencing technologies, particularly in the context of metagenomic studies. Key limitations include the inability to resolve repetitive regions, phase haplotypes, or easily detect large structural variants, as noted by González et al. (2025). Additionally, these technologies historically exhibit higher error rates, necessitate extensive bioinformatics for basecalling and error correction (Sereika et al., 2022; Chen et al., 2024), and require high-quality DNA input, making them less suitable for rapid applications (Han et al., 2024). Furthermore, the per-sample cost is the highest among sequencing methods, and detecting low-abundance organisms may require deep sequencing efforts, such as approximately 30 million reads for 1% abundance (Rooney et al., 2022).
Despite these limitations, short-read sequencing is advantageous for large-scale surveillance and sensitive pathogen identification in complex samples, high-resolution SNP analysis for outbreak tracing (Xia et al., 2023), and de novo assembly of unknown pathogens. To address the shortcomings of short-read technologies, hybrid approaches that integrate Illumina sequencing with long-read platforms like Oxford Nanopore Technologies (ONT) or Pacific Biosciences (PacBio) are increasingly utilized (Xia et al., 2023; Sevim et al., 2019). These hybrid strategies enhance assembly contiguity, genome completeness, and structural variant resolution while leveraging Illumina’s strengths in accuracy and throughput. Ultimately, while Illumina sequencing remains foundational in metagenomics, optimal study design must consider its limitations and the potential benefits of hybrid or long-read methodologies for a more comprehensive understanding of microbial diversity and genome structure.