Notevole lavoro scientifico di Moreno Di Marco e collaboratori (gruppi Biodiversity & Global Change lab e l' AI & Quantum Computing lab di Fisica).
Si tratta di un nuovo approccio AI per modellizzare le associazioni ancora sconosciute tra i virus e le specie di mammiferi selvatici. L'algoritmo sviluppato,  chiamato Dynamic Positive-Unlabeled (DPU) learning, ha dimostrato la capacità di anticipare l'esistenza di associazioni virali che poi sono state davvero scoperte in natura.

Abstract
La maggior parte delle malattie infettive emergenti nell'uomo è di origine zoonotica. Tuttavia, la conoscenza delle associazioni ospite-patogeno rimane limitata. I modelli di machine learning sono sempre più utilizzati per inferire le associazioni zoonotiche ospite-patogeno mancanti, ma affrontano sfide dovute a dati viziati da bias e all'assenza di casi negativi confermati. In questo studio, presentiamo il Dynamic Positive–Unlabeled (DPU) learning, un framework semi-supervisionato per la predizione dei legami mancanti in reti incomplete e affette da bias. Il DPU learning integra un modello di punteggio di propensione (propensity score), che stima la probabilità di osservare i legami esistenti, con un classificatore che predice la reale esistenza del legame. Questo approccio corregge le predizioni in funzione del bias di campionamento disomogeneo e tiene conto esplicitamente dei legami mancanti derivanti sia da un'effettiva assenza di associazioni, sia da lacune nella raccolta dei dati. Abbiamo applicato il DPU learning per predire le associazioni mancanti tra 5.330 specie di mammiferi e 33 famiglie virali su scala globale, integrando le relazioni filogeografiche tra i mammiferi, i pattern di associazione mammifero-virus osservati, i tratti morfologici e comportamentali dei mammiferi e le caratteristiche genetiche dei virus. Il nostro modello ha predetto nuove associazioni confermate — assenti dai dati di addestramento — con una probabilità media dello 0,82 e ha stimato un incremento di 8,6 volte nel numero totale di associazioni tra specie di mammiferi e famiglie virali. Questi risultati evidenziano il potenziale del DPU learning nel supportare attività di sorveglianza strategiche e guidate dai dati per la mitigazione proattiva del rischio zoonotico.

Link al paper di NCOMMS: Predicting unknown mammalian viral hosts with Dynamic Positive–Unlabeled learning

Qui il comunicato stampa: Prevenzione delle zoonosi: un nuovo modello di AI individua i virus di origine animale potenzialmente responsabili di future epidemie