Исследователи MIT Разработаны инструмент ИИ для улучшения выбора штамма против гриппа | MIT News

Каждый год глобальные эксперты в области здравоохранения сталкиваются с решением с высокими ставками: какие штаммы гриппа должны попасть в следующую сезонную вакцину? Выбор должен быть сделан за несколько месяцев, задолго до начала сезона гриппа, и он часто может ощущаться как гонка против часов. Если выбранные штаммы совпадают с теми, кто циркулирует, вакцина, вероятно, будет очень эффективной. Но если прогноз выключен, защита может значительно упасть, что приведет к (потенциально предотвратимым) заболеваниям и нагрузку на системы здравоохранения.

Эта проблема стала еще более знакомым для ученых в годы во время пандемии Covid-19. Вспомните время (и снова и снова), когда новые варианты появились как раз в качестве вакцин. Грипп ведет себя как похожий, шумный двоюродный брат, мутирующий постоянно и непредсказуемо. Это затрудняет оставаться впереди, и поэтому труднее проектировать вакцины, которые остаются защитными.

Чтобы уменьшить эту неопределенность, ученые из лаборатории компьютерных наук и искусственного интеллекта MIT (CSAIL) и клиника MIT Abdul Latif Jameel для машинного обучения в здоровье намеревались сделать выбор вакцины более точным и менее уважительным в отношении догадок. Они создали систему ИИ под названием Vaxseer, предназначенная для прогнозирования штаммов доминирующих гриппа и выявления наиболее защитных кандидатов на вакцину, что за несколько месяцев раньше. В инструменте используются модели глубокого обучения, обученные десятилетиям вирусных последовательностей и результатов лабораторных испытаний, чтобы имитировать, как может развиваться вирус гриппа и как реагируют вакцины.

Традиционные модели эволюции часто анализируют влияние отдельных аминокислотных мутаций независимо. «Vaxseer принимает большую модель белкового языка для изучения взаимосвязи между доминированием и комбинаторными последствиями мутаций», – объясняет Венксиан Ши, аспирант в Департаменте электротехники и компьютерных наук MIT, и ведущий автор новой статьи по работе. «В отличие от существующих моделей белкового языка, которые предполагают статическое распределение вирусных вариантов, мы моделируем динамические сдвиги доминирования, что делает его лучше подходящим для быстро развивающихся вирусов, таких как грипп».

Анонца Отчет об открытом доступе по исследованию был опубликован сегодня в Природная медицина.

Будущее гриппа

У Vaxseer есть два основных двигателя прогнозирования: один, который оценивает, насколько вероятно, что каждый вирусный штамм распространяется (доминирование), а другой, который оценивает, насколько эффективно вакцина будет нейтрализовать этот штамм (антигенность). Вместе они дают прогнозируемый показатель охвата: перспективная мера того, насколько хорошо данная вакцина, вероятно, будет работать против будущих вирусов.

Шкала оценки может быть от бесконечного отрицательного до 0. Чем ближе балл к 0, тем лучше антигенное соответствие штаммов вакцины с циркулирующими вирусами. (Вы можете представить это как негативное из какого -то «расстояния».)

В 10-летнем ретроспективном исследовании исследователи оценили рекомендации Vaxseer против тех, которые были сделаны Всемирной организацией здравоохранения (ВОЗ) для двух основных подтипов гриппа: A/H3N2 и A/H1N1. Для A/H3N2 выбор Vaxseer превзошел WHOT в девяти из 10 сезонов, основанный на ретроспективных эмпирических показателях охвата (суррогатный метрика эффективности вакцины, рассчитанная по наблюдаемому доминированию в прошлых сезонах и экспериментальных результатов HI теста). Команда использовала это для оценки выбора вакцины, так как эффективность доступна только для вакцин, фактически предоставляемых населению.

Для A/H1N1 он превзошел или соответствовал ВОЗ в шести из 10 сезонов. В одном заметном случае, в сезоне гриппа 2016 года, Вакссейер определил напряжение, которое не было выбрано ВОЗ до следующего года. Прогнозы модели также показали сильную корреляцию с оценками эффективности вакцины в реальном мире, как сообщается в CDC, канадской сети наблюдения практиков-практикующих и европейской программы I-Move. Прогнозируемые оценки охвата Vaxseer тесно связаны с данными общественного здравоохранения по связанным с гриппам заболеваниям и медицинским посещениям, предотвращаемым при вакцинации.

Так как именно Vaxseer имеет смысл всех этих данных? Интуитивно, модель сначала оценивает, как быстро вирусный штамм распространяется с течением времени, используя модель белкового языка, а затем определяет ее доминирование, учитывая конкуренцию между различными штаммами.

После того, как модель рассчитала свою информацию, они подключены к математической структуре, основанной на том, что называется обычными дифференциальными уравнениями для моделирования вирусного распространения с течением времени. Для антигенности система оценивает, насколько хорошо заданный штамм вакцины будет выполняться в общем лабораторном тесте, называемом анализом ингибирования гемагглютинации. Это измеряет, насколько эффективно антитела могут ингибировать вирус от связывания с эритроцитами человека, что является широко используемым прокси для антигенного соответствия/антигеничности.

Опережая эволюцию

«Моделируя, как развиваются вирусы и как вакцины взаимодействуют с ними, такие инструменты искусственного интеллекта, как Vaxseer, могут помочь чиновникам здравоохранения принять лучшие, более быстрые решения – и оставаться на шаг вперед в гонке между инфекцией и иммунитетом», – говорит Ши.

В настоящее время Vaxseer фокусируется только на белке HA (гемагглютининового) вируса гриппа (гемагглютинина), основного антигена гриппа. Будущие версии могут включать другие белки, такие как Na (нейраминидаза), и такие факторы, как иммунная история, производственные ограничения или уровень дозировки. Применение системы к другим вирусам также потребует больших высококачественных наборов данных, которые отслеживают как вирусную эволюцию, так и иммунные ответы-данные, которые не всегда общедоступны. Команда, однако, в настоящее время работает над методами, которые могут предсказать эволюцию вируса в режимах с низкими данными, опираясь на отношения между вирусными семьями

«Учитывая скорость эволюции вируса, текущее терапевтическое развитие часто отстает. Вакссейер – наша попытка наверстать упущенное», – говорит Регина Барзилай, выдающийся профессор ИИ и здоровья в MIT, ИИ, лидерство в клинике Джамила.

«Эта статья впечатляет, но мне, возможно, еще больше волнует работа команды по прогнозированию вирусной эволюции в условиях низких данных»,-говорит доцент профессора Джон Стоукс из Департамента биохимии и биомедицинских наук в Университете МакМастер в Гамильтоне, Онтарио. «Последствия выходят далеко за рамки гриппа. Представьте, что вы можете ожидать, как могут развиваться устойчивые к антибиотикам бактерии или устойчивые к лекарственным средствам рак, оба из которых могут быстро адаптироваться. Этот вид прогнозного моделирования открывает мощный новый образ мышления о том, как меняются заболевания, давая нам возможность оставаться на один шаг вперед и проектирование клинических вмешательств, прежде чем избежать, становится серьезной проблемой».

Ши и Барзилай написали газету с MIT CSAIL Postdoc Джереми Вольвенд ’16, Meng ’17, PhD ’25 и недавний филиал CSAIL Menghua Wu ’19, Meng ’20, PhD ’25. Их работа была частично поддержана агентством по снижению угроз защиты США и клиникой MIT Jameel.