Model AI předpovídá kmeny vakcíny proti chřipce přesněji než kdo

Nová studie ukazuje, že umělá inteligence může porazit tradiční metody při výběru vakcín proti chřipce a nabídnout způsob, jak zvýšit účinnost a snížit globální zatížení chřipky.

Studie: Výběr napětí vakcíny proti chřipce s evoluční a antigenitou založený na AI. Obrázek kredit: Preciousj/Shutterstock.com

Nedávný papír v Přírodní medicína Zkoumá, jak by umělá inteligence mohla pomoci vybrat lepší zápasy mezi kandidáty na vakcínu proti chřipce. Virus chřipky podléhá rychlé genetické a fenotypové změně z jedné sezóny na druhou. Vakcinace proti chřipce v průměru mezi lety 2012 a 2021 proto vznikla pod 40%. Účinnost vakcíny se tedy týká snížení pravděpodobnosti chřipky u těch, kteří dostali své chřipkové výstřely vzhledem k těm, kteří tak neučinili.

Zavedení

Světová zdravotnická organizace (WHO) v současné době vybírá optimální kmeny vakcíny proti chřipce pro každou nadcházející chřipkovou sezónu, aby se dosáhlo nejlepší účinnosti vakcíny. Různá orgány, jako jsou Centra pro kontrolu a prevenci nemocí (CDC) a sítě pro sledování v Evropě a Kanadě, analyzují tato data po sezóně založená na pacientů s chřipkou, kteří vyžadovali lékařskou péči.

Když je napětí WHO dobře spojeno s antigeny cirkulujících kmenů, účinnost vakcíny může být v této sezóně až 40% až 60%. CDC však vykázala nízkou účinnost (<40%) v polovině let mezi lety 2012 a 2021, v průměru ve věkových skupinách a podtypech. Například v letech 2014–2015 činil 19%. Nízká účinnost vakcíny je spojena s vyšší mírou hospitalizace pro chřipku.

Inaktivované vakcíny proti chřipce trvá asi 6-9 měsíců, což vyžaduje výběr nejvýznamnějších kmenů vakcín před každou chřipkovou sezónou. Nespráva jsou běžné, ale experimentální metody predikce nejsou ani nákladově efektivní ani proveditelné kvůli nedostatečným virovým vzorkům.

Současná studie představuje nový pokus předpovídat antigenní zápasy mezi kmeny viru vakcíny a cirkulující chřipky. Toto je základní potřeba jakékoli účinné vakcíny proti chřipce. Taková shoda je založena na dvou aspektech: distribuce virového genotypu během dané chřipkové sezóny, což odhaluje dominantní kmen v té době a antigenicitu každé vakcíny (jak dobře protilátky vyvolané vakcínou inhibují daný virový kmen).

Tato studie generovala „skóre pokrytí“ pro měření antigenního zápasu vakcíny. Toto skóre v průměru odráží, jak dobře protilátky protilátek vakcíny proti antigenům na více cirkulujících kmenech, upravené pro relativní dominanci každého kmene.

Vědci zkoumali deset let virových sekvencí a údajů o antigenicitě v retrospektivní analýze pomocí jejich platformy VAXSEER. Tento model strojového učení je vyškolen k předpovídání kandidáta vakcíny s nejvyšším skóre pokrytí.

Model používá datový soubor virových proteinových sekvencí v předchozích ročních obdobích a letech k pochopení toho, jak mutace v sekvencích hemaglutininu ovlivňují posun v dominanci. Na základě toho předpovídá dominantní cirkulující kmen pro nadcházející sezónu. Na rozdíl od rigidní strategie používané v konvenčních epidemiologických studiích používá nuanční přístup k mutacím v proteinových kódujících sekvencích.

Porovnáním předpovídané se skutečnou dominance vědci vyškolili dva jazykové modely, které parametrizují běžnou diferenciální rovnici (ODE), aby zachytili dynamické posuny v dominanci kmene v průběhu času. Změna dominance je spojena s odhadem rychlosti změny, což umožňuje modelu předpovídat, který kmen bude dominantní v době zájmu.

Model navíc předpovídá sladění antigenicity mezi kmeny vakcíny a cirkulujícími viry bez nutnosti skutečných experimentů s antigenicitou.

Současná studie se zaměřila na dva virové podtypy: A/H3N2 a A/H1N1. Model byl použit k odhadu skóre pokrytí pro různé kandidáty na vakcíny. To bylo potom porovnáno se skutečnou účinností vakcíny as odhadem CDC snížení zátěže klinických onemocnění v USA v důsledku vakcín.

Nálezy studie

Studie ukázala, že Vaxseer důsledně předpovídal kmeny vakcíny s lepšími antigenními zápasy pro cirkulující kmeny ve srovnání s doporučením WHO. Pomocí empirického skóre pokrytí překonal Vaxseer doporučení WHO za šest z 10 let za H1N1 a devět z 10 let pro H3N2.

Během desetiletí studie model VAXSEER vybral nejlepší kmen vakcíny za sedm let po dobu H1N1 a pět let pro kmen H3N2. Naopak, napětí, které doporučily WHO, odpovídaly nejlepšímu antigenickému kmene pouze třikrát za těchto deset let pro H1N1 a neučinily tak pro H3N2.

Je zajímavé, že více kmenů kandidátů na vakcíny má vyšší skóre pokrytí než dosud testovaná podmnožina. „To zdůrazňuje možnost, že může existovat ještě účinnější kmeny vakcíny, které čekají na objevení“

Na rozdíl od doporučení WHO se Vaxseer zaměřuje na kmen vakcíny, který účinně inhibuje většinu cirkulujících kmenů, zejména ty, které se aktivně rozšiřují.

Předpokládané skóre pokrytí dobře korelovalo s účinností vakcíny, jak odhaduje CDC, I-Move (Evropa) a SPSN (Kanada) a se snížením klinické zátěže chřipky po vakcinaci.

Závěry

Modely strojového učení mají slibné při výběru kandidátů na vakcíny s vysokou antigenní porovnávání spojenou s vyšší účinností vakcíny a nižší zatížení onemocnění v reálném životě.

Přestože se současná studie zaměřila pouze na porovnávání dominance antigenicity pro účinnost vakcíny a nezohlednila jiné vlivy, jako je imunitní anamnéza nebo metody produkce vakcíny, výsledky zdůrazňují potenciálně silnou užitečnost této platformy při výběru kmenů vakcíny proti chřipce.

Teoreticky by tento model mohl předpovídat skóre pokrytí pro jakoukoli vakcínu. To však bude vyžadovat přísnou validaci, pokud bude aplikováno na vakcíny, které se velmi liší od těch, které se používají k tréninku těchto modelů.

Autoři zdůrazňují, že Vaxseer není určen k nahrazení procesu WHO, ale sloužit jako doplňkový, selektivní screeningový nástroj, který může upřednostňovat kmeny vakcíny před ověřením náročné na zdroje.

Celkově “Tato studie představuje potenciál strojového učení, který pomáhá lidem při objevování účinnějších vakcín“

Stáhněte si kopii PDF hned teď!