Das KI -Modell sagt Grippeimpfstoffstämme genauer voraus als die

Eine neue Studie zeigt, dass künstliche Intelligenz traditionelle Methoden bei der Auswahl von Grippeimpfstoffstämmen übertreffen kann und eine Möglichkeit bietet, die Effektivität zu steigern und die globale Belastung durch Influenza zu verringern.

Studie: Auswahl der Influenza-Impfstoffstämme mit einem Evolutions- und Antigenitätsmodell auf AI-basierten. Bildnachweis: preciousJ/Shutterstock.com

Eine kürzlich veröffentlichte Arbeit in Naturmedizin Erforscht, wie künstliche Intelligenz dazu beitragen könnte, bessere Übereinstimmungen zwischen Kandidaten für Grippeimpfungen auszuwählen. Das Influenzavirus unterliegt von einer Saison zur nächsten schnellen genetischen und phänotypischen Veränderungen. Daher lag die Impfung gegen Influenza zwischen 2012 und 2021 unter 40%. Die Wirksamkeit des Impfstoffs bezieht sich auf die Verringerung der Wahrscheinlichkeit einer Influenza bei denjenigen, die ihre Grippeschüsse im Vergleich zu denen bekamen, die dies nicht taten.

Einführung

Die Weltgesundheitsorganisation (WHO) wählt derzeit die optimalen Influenza -Impfstoffstämme für jede bevorstehende Grippesaison aus, um die beste Impfstoff -Effektivität zu erreichen. Verschiedene Körper, wie die Zentren für die Kontrolle und Prävention von Krankheiten (CDC) und die Überwachungsnetzwerke in Europa und Kanada, analysieren diese Daten nach der Saison auf der Grundlage von Patienten mit Influenza, die eine medizinische Versorgung benötigten.

Wenn die WHO -Stamm gut mit den Antigenen der zirkulierenden Stämme abgestimmt ist, kann die Wirksamkeit des Impfstoffs in dieser Saison bis zu 40% bis 60% betragen. Die CDC meldete jedoch zwischen 2012 und 2021 eine geringe Effektivität (<40%) in der Hälfte der Jahre, im Durchschnitt über Altersgruppen und Subtypen. In den Jahren 2014-2015 lag es beispielsweise bei 19%. Eine niedrige Wirksamkeit des Impfstoffs ist mit höheren Krankenhausaufenthaltsraten für Influenza verbunden.

Die Herstellung inaktiviert Influenza-Impfstoffe dauert ungefähr 6-9 Monate, was vor jeder Grippesaison eine Auswahl der relevantesten Impfstoffstämme erfordern. Fehlanpassungen sind häufig, aber experimentelle Vorhersagemethoden sind weder kostengünstig noch durch unzureichende virale Proben durchführbar.

Die aktuelle Studie stellt einen neuen Versuch dar, antigene Übereinstimmungen zwischen Impfstoff- und Zirkulationsgrippevirusstämmen vorherzusagen. Dies ist ein grundlegender Bedarf an wirksamen Grippeimpfungen. Eine solche Übereinstimmung basiert auf zwei Aspekten: der viralen Genotypverteilung während einer gegebenen Grippesaison, die zu diesem Zeitpunkt den dominanten Stamm aufweist, und die Antigenität jedes Impfstoffs (wie gut die durch Impfungen induzierten Antikörper einen gegebenen Virusstamm hemmen).

Diese Studie erzeugte „Deckungswerte“, um das Antigen -Match eines Impfstoffs zu messen. Diese Punktzahl spiegelt im Durchschnitt wider, wie gut die Impfstoffantikörper Antigene an mehreren zirkulierenden Stämmen entgegenbringen, die für die relative Dominanz jedes Stammes angepasst sind.

Die Forscher untersuchten Virussequenzen und Antigenitätsdaten im Wert von zehn Jahren in einer retrospektiven Analyse mit ihrer Plattform Vaxseer. Dieses maschinell-lernende Modell ist geschult, um den Impfstoffkandidaten mit dem höchsten Abdeckungswert vorherzusagen.

Das Modell verwendet den Datensatz viraler Proteinsequenzen in früheren Jahreszeiten und Jahren, um zu verstehen, wie Mutationen in Hämagglutinin -Sequenzen die Verschiebung der Dominanz beeinflussen. Basierend darauf prognostiziert es den dominanten zirkulierenden Stamm für die kommende Saison. Im Gegensatz zu der starre Strategie, die in konventionellen epidemiologischen Studien verwendet wird, verwendet es einen nuancierten Ansatz für Mutationen in den Proteinkodierungssequenzen.

Durch die mit der tatsächlichen Dominanz vorhergesagte Übereinstimmung trainierten die Forscher zwei Sprachmodelle, die eine gewöhnliche Differentialgleichung (ODE) parametrisierten, um dynamische Verschiebungen der Dehnungsdominanz im Laufe der Zeit zu erfassen. Die Änderung der Dominanz ist mit einer Schätzung der Änderungsrate verbunden, sodass das Modell vorhergesagt wird, welcher Stamm zu einem Zeitpunkt des Interesses dominiert.

Darüber hinaus prognostiziert das Modell die Antigenitätsübereinstimmung zwischen Impfstoff- und zirkulierenden Virusstämmen, ohne dass tatsächliche Antigenitätsexperimente erforderlich sind.

Die aktuelle Studie konzentrierte sich auf zwei Virus -Subtypen: A/H3N2 und A/H1N1. Das Modell wurde verwendet, um den Abdeckungswert für verschiedene Impfstoffkandidaten abzuschätzen. Dies wurde dann mit der tatsächlichen Impfstoffwirksamkeit und der CDC -Schätzung der Verringerung der klinischen Erkrankung in den USA aufgrund der Impfstoffe verglichen.

Studienergebnisse

Die Studie zeigte, dass VaxSeer im Vergleich zur WHO -Empfehlung immer wieder Impfstoffstämme mit besseren Antigen -Übereinstimmungen für die zirkulierenden Stämme vorhergesagt hatte. Mit empirischen Abdeckungswerten übertraf VaxSeer die WHO -Empfehlung in sechs von zehn Jahren für H1N1 und neun von zehn Jahren für H3N2.

Während des Studienjahrzehnts wählte das Vaxseer -Modell für H1N1 und fünf Jahre für den H3N2 -Stamm den besten Impfstoffstamm in sieben Jahren aus. Umgekehrt stimmte der von WHO empfohlene Stamm in diesen zehn Jahren für H1N1 nur dreimal mit dem besten Antigen-Stamm überein und konnte dies für H3N2 nicht tun.

Interessanterweise haben mehrere Impfkandidatenstämme höhere Abdeckungswerte als die bisher getestete Untergruppe. „Dies unterstreicht die Möglichkeit, dass es noch effektivere Impfstoffstämme gibt, die darauf warten, entdeckt zu werden.“

Im Gegensatz zur WHO -Empfehlung konzentriert sich Vaxseer auf den Impfstoffstamm, der die meisten zirkulierenden Stämme wirksam hemmt, insbesondere diejenigen, die sich aktiv ausdehnen.

Der vorhergesagte Deckungs Score korrelierte gut mit der Wirksamkeit des Impfstoffs, wie durch CDC, I-Move (Europa) und SPSN (Kanada) und mit einer Verringerung der klinischen Influenza-Belastung nach der Rundfahnung geschätzt.

Schlussfolgerungen

Modelle für maschinelles Lernen sind vielversprechend bei der Auswahl von Impfstoffkandidaten mit hoher Antigene -Matching, die mit einer höheren Impfstoffwirksamkeit und einer geringeren Erkrankung im wirklichen Leben verbunden sind.

Obwohl sich die aktuelle Studie nur auf die Antigenitätsdominanzabgleich für die Wirksamkeit des Impfstoffs konzentrierte und andere Einflüsse wie Immungeschichte oder Impfstoffproduktionsmethoden nicht berücksichtigte, betonen die Ergebnisse den potenziell starken Nutzen dieser Plattform bei der Auswahl der Grippimpfstoffstämme.

Theoretisch könnte dieses Modell die Abdeckungswerte für jeden Impfstoff vorhersagen. Dies erfordert jedoch eine strenge Validierung, wenn sie auf Impfstoffe angewendet werden, die sich stark von denen unterscheiden, die zum Training dieser Modelle verwendet werden.

Die Autoren betonen, dass Vaxseer nicht dazu gedacht ist, den WHO-Verfahren zu ersetzen, sondern als komplementäres, selektives Screening-Tool dienen, das Impfstämme vor ressourcenintensiver Laborvalidierung priorisieren kann.

Insgesamt „zeigt diese Studie das Potenzial des maschinellen Lernens, Menschen bei der Entdeckung effektiverer Impfstoffe zu unterstützen.“

Laden Sie jetzt Ihre PDF -Kopie herunter!

Quellen: