Jedes Jahr stehen globale Gesundheitsexperten mit einer Entscheidung mit hoher Einsätze: Welche Influenza-Stämme sollten in den nächsten saisonalen Impfstoff eingehen? Die Wahl muss Monate im Voraus getroffen werden, lange bevor die Grippezeit beginnt, und es kann sich oft wie ein Rennen gegen die Uhr anfühlen. Wenn die ausgewählten Stämme den zirkulieren, ist der Impfstoff wahrscheinlich sehr effektiv. Wenn die Vorhersage jedoch nicht mehr abfällt, kann der Schutz erheblich sinken und zu (potenziell vermeidbaren) Krankheiten und Belastungen für Gesundheitssysteme führen.
Diese Herausforderung wurde den Wissenschaftlern in den Jahren während der Covid-19-Pandemie noch vertrauter. Denken Sie an die Zeit zurück (und immer und immer wieder), als neue Varianten entstanden, als Impfstoffe eingeführt wurden. Influenza verhält sich wie ein ähnlicher, lauter Cousin, der ständig und unvorhersehbar mutiert. Das macht es schwierig, im Voraus zu bleiben, und daher schwieriger, Impfstoffe zu entwerfen, die schützend bleiben.
Um diese Unsicherheit zu verringern, haben Wissenschaftler des MIT -Labors für Informatik und künstliche Intelligenz (CSAIL) und der MIT Abdul Latif Jameel -Klinik für maschinelles Lernen im Gesundheitswesen die Impfstoffauswahl genauer und weniger auf Vermutungen angewiesen. Sie erstellten ein KI -System namens VaxSeer, das die dominanten Grippestämme vorherzusagen und die schützendsten Impfstoffkandidaten Monate im Voraus zu identifizieren. Das Device verwendet Deep -Studying -Modelle, die auf Jahrzehnten von Virussequenzen und Labortestgebnissen trainiert wurden, um zu simulieren, wie sich das Grippevirus entwickeln kann und wie die Impfstoffe reagieren.
Traditionelle Evolutionsmodelle analysieren häufig die Wirkung einzelner Aminosäuremutationen unabhängig. „VaxSeer nimmt ein großes Proteinsprachenmodell an, um die Beziehung zwischen Dominanz und den kombinatorischen Auswirkungen von Mutationen zu erlernen“, erklärt Wenxian Shi, ein Doktorand des MIT -Abteilung für Elektrotechnik und Informatik, Forscher bei CSAIL und führender Autor eines neuen Papiers zu den Arbeiten. „Im Gegensatz zu bestehenden Proteinsprachmodellen, die eine statische Verteilung von viralen Varianten annehmen, modellieren wir dynamische Dominanzverschiebungen, wodurch sie besser für sich schnell entwickelnde Viren wie Influenza geeignet ist.“
Ein Open-Entry-Bericht über die Studie wurde heute in veröffentlicht in Naturmedizin.
Die Zukunft der Grippe
VaxSeer hat zwei Kernvorhersagemotoren: eine, die schätzt, wie wahrscheinlich es ist, dass jeder Virusstamm ausbreiten (Dominanz), und eine andere, die schätzt, wie effektiv ein Impfstoff diesen Stamm neutralisiert (Antigenität). Zusammen erzeugen sie einen vorhergesagten Deckungswert: ein zukunftsgerichtetes Maß dafür, wie intestine ein bestimmter Impfstoff wahrscheinlich gegen zukünftige Viren abschneiden wird.
Die Skala der Punktzahl könnte von einem unendlichen Negativ auf 0 stammen. Je näher der Punktzahl auf 0 ist, desto besser ist das Antigen -Match von Impfstoffstämmen an den zirkulierenden Viren. (Sie können es sich als negativ für eine Artwork „Entfernung“ vorstellen.)
In einer 10-jährigen retrospektiven Studie bewerteten die Forscher die Empfehlungen von VaxSeer gegen die von der Weltgesundheitsorganisation (WHO) für zwei wichtige Grippe-Subtypen: A/H3N2 und A/H1N1. Für A/H3N2 übertraf VaxSeers Entscheidungen die WHO in neun von zehn Saisons, basierend auf retrospektiven empirischen Abdeckungswerten (eine Ersatzmetrik der Impfstoffwirksamkeit, berechnet aus der beobachteten Dominanz aus den vergangenen Saisons und experimentellen Hello -Testergebnissen). Das Workforce verwendete dies, um die Impfstoffauswahl zu bewerten, da die Effektivität nur für Impfstoffe zur Verfügung steht, die der Bevölkerung tatsächlich zur Verfügung gestellt werden.
Für A/H1N1 übertraf es in sechs von zehn Spielzeiten übertroffen oder entsprach der WHO. In einem bemerkenswerten Fall identifizierte VaxSeer für die Grippesaison 2016 einen Stamm, der von der WHO bis zum folgenden Jahr nicht ausgewählt wurde. Die Vorhersagen des Modells zeigten auch eine starke Korrelation mit den Schätzungen der effektiven Impfstoff-Effektivitätsschätzungen, wie das CDC, das Kanada-Überwachungsnetzwerk von Sentinel Practitioner und das Europas I-Transfer-Programm berichtet. Die vorhergesagten Abdeckungswerte von VaxSeer sind eng mit Daten der öffentlichen Gesundheit zu grippebedingten Krankheiten und medizinischen Besuchen in Einklang gebracht, die durch Impfungen verhindert werden.
Wie genau macht Vaxseer all diese Daten Sinn? Intuitiv schätzt das Modell zunächst, wie schnell ein Virusstamm im Laufe der Zeit mit einem Proteinsprachenmodell ausbreitet, und bestimmt dann seine Dominanz durch Berücksichtigung der Konkurrenz zwischen verschiedenen Stämmen.
Sobald das Modell seine Erkenntnisse berechnet hat, sind sie in ein mathematisches Rahmen angeschlossen, basierend auf etwas, das als gewöhnliche Differentialgleichungen bezeichnet wird, um die virale Ausbreitung im Laufe der Zeit zu simulieren. Für die Antigenität schätzt das System, wie intestine ein gegebener Impfstoffstamm in einem gemeinsamen Labortest namens Hämagglutinations -Hemmungstest abfällt. Dies misst, wie effektiv Antikörper das Virus an der Bindung an humane rote Blutkörperchen hemmen können. Dies ist ein weit verbreiteter Proxy für die Antigen -Match/Antigenität.
Evolution übertreffen
„Durch die Modellierung, wie sich Viren entwickeln und wie Impfstoffe mit ihnen interagieren, können KI -Instruments wie Vaxseer Gesundheitsbeamten helfen, bessere und schnellere Entscheidungen zu treffen – und im Rennen zwischen Infektion und Immunität einen Schritt voraus zu sein“, sagt Shi.
VaxSeer konzentriert sich derzeit nur auf das HA -Protein des Grippevirus (Hämagglutinin), das Hauptantigen von Influenza. Zukünftige Versionen könnten andere Proteine wie Na (Neuraminidase) und Faktoren wie Immungeschichte, Herstellungsbeschränkungen oder Dosierungsniveaus einbeziehen. Die Anwendung des Techniques auf andere Viren würde auch große, qualitativ hochwertige Datensätze erfordern, die sowohl die virale Evolution als auch die Immunantworten verfolgen-Daten, die nicht immer öffentlich verfügbar sind. Das Workforce arbeitet derzeit jedoch an den Methoden, die die virale Entwicklung in geringen Datenregimen vorhersagen können, die auf Beziehungen zwischen viralen Familien aufbauen
„Angesichts der Geschwindigkeit der viralen Entwicklung bleibt die derzeitige therapeutische Entwicklung häufig zurück.
„Dieses Papier ist beeindruckend, aber was mich vielleicht noch mehr begeistert, ist die laufende Arbeit des Groups an der Vorhersage der viralen Entwicklung in niedrigen Daten“, sagt der Assistenzprofessor Jon Stokes des Abteilung für Biochemie und biomedizinische Wissenschaften an der McMaster College in Hamilton, Ontario. „Die Implikationen gehen weit über Influenza hinaus. Stellen Sie sich vor, Sie könnten vorhersehen, wie sich antibiotika-resistente Bakterien oder medikamentenresistente Krebserkrankungen entwickeln können, die sich rapide anpassen können. Diese Artwork von Vorhersagemodellierung eröffnet ein starkes neues Nachdenken, wie sich die Krankheiten ändern, und geben uns die Möglichkeit, einen Schritt vorne zu bleiben und klinische Interventionen zu entwerfen, bevor es entgenden, ein großes Downside.“
Shi und Barzilay schrieben die Zeitung mit dem MIT CSAIL Postdoc Jeremy Wohlwend ’16, Meng ’17, PhD ’25 und der jüngsten CSAIL -Tochter Menghua Wu ’19, Meng ’20, PhD ’25. Ihre Arbeit wurde teilweise von der US -amerikanischen Verteidigungsbedrohungsbehörde und der MIT Jameel -Klinik unterstützt.