Cada año, los expertos en vigor globales se enfrentan a una audacia de detención aventura: ¿qué cepas de influenza deberían entrar en la próxima vacuna estacional? La disyuntiva debe hacerse con meses de anticipación, mucho antiguamente de que comience la temporada de catarro, y a menudo puede parecer una carrera contra el temporalizador. Si las cepas seleccionadas coinciden con las que circulan, la vacuna probablemente será en extremo efectiva. Pero si la predicción está apagada, la protección puede disminuir significativamente, lo que lleva a una enfermedad (potencialmente prevenible) y a la tensión en los sistemas de atención médica.
Este desafío se hizo aún más hogareño para los científicos en los primaveras durante la pandemia Covid-19. Piense en la hora (y una y otra vez), cuando surgieron nuevas variantes ajustado cuando se implementaban vacunas. La influenza se comporta como un primo similar y ruidoso, mutando constantemente e impredeciblemente. Eso hace que sea difícil mantenerse a la vanguardia y, por lo tanto, más difícil de diseñar vacunas que sigan siendo protectoras.
Para acortar esta incertidumbre, los científicos del Laboratorio de Informática e Inteligencia Sintético del MIT (CSAIL) y la Clínica MIT Abdul Latif Jameel para el enseñanza inconsciente en vigor se propusieron hacer que la selección de vacunas sea más precisa y menos dependiente de las conjeturas. Crearon un sistema de IA llamado Vaxseer, diseñado para predecir cepas de catarro dominantes e identificar a los candidatos de vacuna más protectores, con meses de anticipación. La utensilio utiliza modelos de enseñanza profundo entrenados en décadas de secuencias virales y resultados de pruebas de laboratorio para disimular cómo podría transformarse el virus de la catarro y cómo responderán las vacunas.
Los modelos de progreso tradicional a menudo analizan el objeto de las mutaciones de aminoácidos individuales de forma independiente. «Vaxseer adopta un maniquí de jerga de proteínas magnate para ilustrarse la relación entre el dominio y los enseres combinatorios de las mutaciones», explica Wenxian Shi, un estudiante de doctorado en el Unidad de Ingeniería Eléctrica e Informática del MIT, investigador de CSAIL, y autor principal de un nuevo artículo sobre el trabajo. «A diferencia de los modelos de jerga de proteínas existentes que asumen una distribución estática de las variantes virales, modelamos cambios de dominio dinámico, lo que lo hace más adecuado para virus en rápida progreso como la influenza».
Un Crónica de entrada franco sobre el estudio fue publicado hoy en Medicina de la naturaleza.
El futuro de la catarro
Vaxseer tiene dos motores de predicción del núcleo: uno que estima cómo es probable que cada cepa virulento se propague (dominio) y otro que estima cuán efectivamente una vacuna neutralizará esa tensión (antigenicidad). Juntos, producen una puntuación de cobertura prevista: una medida prospectiva de qué tan admisiblemente es probable que se desempeñe una vacuna determinada contra futuros virus.
La escalera de la puntuación podría ser de un película infinito a 0. Cuanto más cerca sea la puntuación a 0, mejor será la coincidencia antigénica de las cepas de vacuna con los virus circulantes. (Puedes imaginarlo como el película de algún tipo de «distancia»).
En un estudio retrospectivo de 10 primaveras, los investigadores evaluaron las recomendaciones de Vaxseer contra las hechas por la Ordenamiento Mundial de la Salubridad (OMS) para dos subtipos principales de catarro: A/H3N2 y A/H1N1. Para A/H3N2, las elecciones de Vaxseer superaron a la OMS en nueve de cada 10 temporadas, basadas en puntajes de cobertura empírica retrospectiva (una métrica sustituta de la efectividad de la vacuna, calculada a partir del dominio observado de las últimas temporadas y resultados experimentales de HI). El equipo usó esto para evaluar las selecciones de vacunas, ya que la efectividad solo está habitable para las vacunas que efectivamente se dan a la población.
Para A/H1N1, superó o coincidió con la OMS en seis de 10 temporadas. En un caso trascendental, para la temporada de catarro 2016, Vaxseer identificó una cepa que no fue elegida por la OMS hasta el año subsiguiente. Las predicciones del maniquí igualmente mostraron una esforzado correlación con las estimaciones de efectividad de la vacuna en el mundo actual, según lo informado por los CDC, la red de vigilancia de los practicantes centinela de Canadá y el software I-MOVE de Europa. Los puntajes de cobertura predichos de Vaxseer se alinearon estrechamente con los datos de vigor pública sobre enfermedades relacionadas con la catarro y visitas médicas prevenidas por la prevención.
Entonces, ¿cómo exactamente Vaxseer da sentido a todos estos datos? Intuitivamente, el maniquí primero estima qué tan rápido se extiende una cepa virulento con el tiempo usando un maniquí de jerga de proteína, y luego determina su dominio al tener en cuenta la competencia entre las diferentes cepas.
Una vez que el maniquí ha calculado sus ideas, están conectados a un ámbito matemático basado en poco llamado ecuaciones diferenciales ordinarias para disimular la propagación virulento con el tiempo. Para la antigenicidad, el sistema estima qué tan admisiblemente funcionará una tensión de vacuna dada en una prueba de laboratorio popular indicación examen de inhibición de hemaglutinación. Esto mide cuán efectivamente los anticuerpos pueden inhibir el virus de la unión a los glóbulos rojos humanos, que es un proxy ampliamente utilizado para la coincidencia antigénica/antigenicidad.
Desarrollo generalizada
«Al modelar cómo evolucionan los virus y cómo las vacunas interactúan con ellos, las herramientas de IA como Vaxseer podrían ayudar a los funcionarios de vigor a tomar decisiones mejores y más rápidas, y suministrar un paso delante en la carrera entre infección e inmunidad», dice Shi.
Vaxseer actualmente se centra solo en la proteína HA del virus de la catarro (hemaglutinina), el antígeno principal de la influenza. Las versiones futuras podrían incorporar otras proteínas como NA (neuraminidasa) y factores como el historial inmune, las limitaciones de fabricación o los niveles de dosificación. La aplicación del sistema a otros virus igualmente requeriría grandes conjuntos de datos de entrada calidad que rastrean tanto la progreso virulento como las respuestas inmunes, datos que no siempre están disponibles públicamente. Sin bloqueo, el equipo está trabajando actualmente en los métodos que pueden predecir la progreso virulento en los regímenes bajos que se basan en las relaciones entre las familias virales.
«Dada la velocidad de la progreso virulento, el crecimiento terapéutico coetáneo a menudo se queda a espaldas. Vaxseer es nuestro intento de ponerse al día», dice Regina Barzilay, profesora distinguida de IA y vigor en MIT, líder de Jameel Clinic e Investigador principal de CSAIL.
«Este documento es impresionante, pero lo que me emociona quizás aún más es el trabajo continuo del equipo para predecir la progreso virulento en entornos bajos de datos», dice el profesor asistente Jon Stokes del Unidad de Bioquímica y Ciencias Biomédicas de la Universidad McMaster en Hamilton, Ontario. «Las implicaciones van mucho más allá de la influenza. Imagine poder anticipar cómo las bacterias resistentes a los antibióticos o los cánceres resistentes a los fármacos podrían transformarse, los cuales pueden adaptarse rápidamente. Este tipo de modelado predictivo abre una nueva forma de pensar poderoso sobre cómo cambian las enfermedades, dándonos la oportunidad de suministrar una vez un paso delante y el diseño de intervenciones clínicas antiguamente de escapar se convierte en un problema importante».
Shi y Barzilay escribieron el artículo con el MIT CSAIL Postdoc Jeremy Wohlwend ’16, Meng ’17, PhD ’25 y el flamante afiliado de CSAIL Menghua Wu ’19, Meng ’20, PhD ’25. Su trabajo fue apoyado, en parte, por la Agencia de Reducción de Amenazas de Defensa de EE. UU. Y la Clínica MIT Jameel.