KI zeigt auf, warum Impfreaktionen weltweit unterschiedlich sind

Wie Menschen mit geschwächtem Immunsystem auf Impfstoffe reagieren, ist ein wichtiger Bereich der immunologischen Forschung. Eine neue von der York University durchgeführte Studie ergab, dass maschinelle Lernmodelle nicht nur Unterschiede zwischen gesunden Kontrollpersonen und HIV-infizierten Personen genau bestimmen konnten, sondern auch Ausreißer in beiden Gruppen fanden, die faszinierende Einblicke in die komplexe Natur des Immunsystems und in die Frage geben, wie personalisierte Medizin in der Zukunft aussehen könnte, wobei Variablen wie Alter, Komorbiditäten und Genetik berücksichtigt werden.

Diese Studie stellt einen wichtigen Fortschritt im Hinblick auf das Potenzial persönlicher Impfinterventionsstrategien dar.“

Chapin Korosec, Studienleiter und Postdoktorand, York University

Korosec arbeitete an dieser Studie als Postdoktorand an der York University unter der Aufsicht von Professorin Jane Heffernan von der Fakultät für Naturwissenschaften, deren Forschungsschwerpunkt auf der Modellierung von Infektionskrankheiten liegt.

Er fügte hinzu: „Indem wir die Struktur der Immunvariabilität in großem Maßstab erlernen, gelangen wir zu einer datengesteuerten Grundlage für personalisierte Impfungen und therapeutisches Design.“

Korosec, jetzt außerordentlicher Professor an der University of Guelph, verwendete einen Datensatz von Menschen mit und ohne HIV, die im Laufe von 100 Wochen bis zu fünf Dosen des COVID-19-Impfstoffs erhalten hatten. Alle mit HIV lebenden Personen stammten aus dem Großraum Toronto und ihre Krankheit wurde mit einer antiretroviralen Therapie kontrolliert. Die Forscher verwendeten eine Art maschinelles Lernverfahren namens Random Forest, um 64 Immunbiomarker zu analysieren, die durch eine Reaktion auf den COVID-19-Impfstoff hervorgerufen wurden, und erstellten dann eine Gruppe „virtueller Patienten“, um die Immunantworten weiter zu modellieren.

„Während wir mit einem umfangreichen Datensatz arbeiteten, der sich gut für statistische Tests eignete, stoßen longitudinale mathematische Modelle immer noch an Grenzen bei der Identifizierbarkeit, wenn die Daten die Immundynamik nicht eindeutig auflösen können. Wir wandten uns daher dem maschinellen Lernen zu, um die Kernunterschiede zwischen Gruppen zu identifizieren, und nutzten dann diese erlernte Struktur, um virtuelle Patienten zu generieren, die erfassen, wie sich die Immunmuster zwischen Gruppen unterscheiden.“

Sie konnten zeigen, dass speichelbasierte Antikörper, insbesondere ein Antikörpertyp im Speichel namens IgA, in Verbindung mit weißen Blutkörperchen, von denen seit langem bekannt ist, dass sie mit dem HIV-Status in Zusammenhang stehen, den charakteristischen Unterschied zwischen den beiden Gruppen ausmachen. Laut Korosec ist dies von Bedeutung, da es zahlreiche Untersuchungen gibt, die eine veränderte Schleimhautimmunität bei HIV-Infizierten belegen und wie diese kurz- und langfristig beeinflusst wird.

Heffernan weist darauf hin, dass sie Untergruppen innerhalb der HIV-positiven Gruppe identifiziert haben, was die Bedeutung personalisierter Impfstrategien und die Herausforderungen bei der Modellierung von Immunantworten aufgrund individueller Variabilität hervorhebt.

„Die Immunantwort ist sehr, sehr kompliziert.“ erklärt Heffernan. „Manchmal kann etwas als Inhibitor eines Teils der Immunantwort wirken, manchmal aber auch als Aktivator. Es gibt auch große individuelle Unterschiede zwischen Menschen mit ähnlichem Immunsystemstatus. Mit maschinellem Lernen, mechanistischer Modellierung und „virtuellen Patienten“ können wir versuchen, wichtige Unterschiede in den Untergruppen und zwischen Individuen aufzudecken – sogar bei Komponenten des Immunsystems, die in den Daten nicht gemessen werden. Ein bisschen wie der Versuch, das Notwendige im Heuhaufen zu finden, aber mit einem klareren Weg.“ um es zu finden.

Die HIV-positive Gruppe wies trotz der Vorteile einer antiretroviralen Therapie deutliche Unterschiede in ihren durch den Impfstoff hervorgerufenen Reaktionen im Vergleich zur Kontrollgruppe auf, und das maschinelle Lernmodell war in der Lage, diese Unterschiede mit nahezu 100-prozentiger Genauigkeit zu klassifizieren, aber es gab zwei Personen, die sie nicht von der Kontrollgruppe unterscheiden konnten.

„Egal wie wir die Daten gemischt oder welche Biomarker wir verwendet haben, der maschinelle Lernalgorithmus konnte eine kleine Untergruppe HIV-positiver Personen nicht von HIV-negativen Personen unterscheiden“, sagt Korosec. „Bei diesen Personen waren die durch die Impfung ausgelösten Immunreaktionen nicht von denen der HIV-negativen Gruppe zu unterscheiden. Das deutet darauf hin, dass ihre Immunfunktion zumindest im Hinblick auf die Impfreaktion effektiv wiederhergestellt wurde.“

Umgekehrt gab es in der gesunden Kontrollgruppe eine Person, deren Marker nicht von einer Person mit HIV zu unterscheiden waren, was möglicherweise auf zugrunde liegende Immunprobleme hindeutet, die möglicherweise noch nicht klinisch identifiziert wurden.

Mit Unterstützung des National Research Council of Canada (NRC)-Fields Mathematical Sciences Collaboration Centre, des National Sciences and Engineering and Research Council of Canada und Artificial Intelligence for Public Health (AI4PH) wurde die Studie als Vorabdruck im Journal veröffentlicht Muster und erscheint am 13. März 2026 als Titelartikel in gedruckter Form.

Korosec arbeitete mit Mitarbeitern zusammen, darunter Heffernan, Senior Research Officer Mohammad Sajjad Ghaemi vom NRC Digital Technologies Research Centre, Associate Professor Jessica Conway von der Pennsylvania State University und Forschern der University of Toronto und des St. Michael’s Hospital.

„Diese Studie bringt uns näher an das Verständnis der Immundiversität bei HIV-infizierten Menschen heran; wie sie im Vergleich zu altersentsprechenden Kontrollpersonen reagieren, wie gut die Antikörper über einen längeren Zeitraum erhalten bleiben und warum einige Personen auffallend unterschiedliche Muster aufweisen“, schloss Korosec.

Quellen: