AI alat poboljšava sojeve cjepiva protiv gripe

Svake godine globalni zdravstveni stručnjaci suočavaju se s odlukom visokog rizika: Koji sojevi gripe trebaju ući u sljedeće sezonsko cjepivo? Izbor se mora donijeti mjesecima unaprijed, mnogo prije nego što sezona gripe uopće počne, i često se može činiti kao utrka s vremenom. Ako odabrani sojevi odgovaraju onima koji cirkuliraju, cjepivo će vjerojatno biti vrlo učinkovito. Ali ako je predviđanje pogrešno, zaštita može značajno pasti, što dovodi do bolesti i opterećenja zdravstvenih sustava.

Kako bi smanjili tu nesigurnost, američki znanstvenici u MIT-ovom Laboratoriju za računalne znanosti i umjetnu inteligenciju (CSAIL) i MIT-ovoj klinici za strojno učenje u zdravstvu Abdul Latif Jameel krenuli su u to da odabir cjepiva učine točnijim i manje ovisnom o nagađanjima.

Stvorili su AI sustav pod nazivom VaxSeer, osmišljen za predviđanje dominantnih sojeva gripe i identificiranje kandidata za cjepivo s najvećom zaštitom, mjesecima unaprijed. Alat koristi modele dubokog učenja obučene na desetljećima virusnih sekvenci i rezultata laboratorijskih testova kako bi simulirao kako bi se virus gripe mogao razvijati i kako će cjepiva reagirati.

Tradicionalni modeli evolucije često neovisno analiziraju učinak mutacija pojedinačnih aminokiselina. „VaxSeer usvaja model velikog proteinskog jezika kako bi naučio odnos između dominacije i kombinatornih učinaka mutacija“, objašnjava Wenxian Shi, doktorandica na MIT-ovom Odjelu za elektrotehniku ​​i računarstvo, istraživačica na CSAIL-u i glavna autorica novog rada objavljenog u časopisu Nature Medicine.

VaxSeer ima dva osnovna mehanizma za predviđanje, jedan koji procjenjuje vjerojatnost širenja svakog virusnog soja (dominacija) i drugi koji procjenjuje koliko će cjepivo učinkovito neutralizirati taj soj (antigenost). Zajedno, oni daju predviđeni rezultat pokrivenosti, mjeru koja pokazuje koliko će dobro određeno cjepivo vjerojatno djelovati protiv budućih virusa.

U 10-godišnjoj retrospektivnoj studiji, istraživači su usporedili preporuke VaxSeera s preporukama Svjetske zdravstvene organizacije (WHO) za dva glavna podtipa gripe, A/H3N2 i A/H1N1. Za A/H3N2, VaxSeerov izbor nadmašio je WHO-ove u 9 od 10 sezona, na temelju retrospektivnih empirijskih rezultata pokrivenosti (surogat metrika učinkovitosti cjepiva, izračunata iz uočene dominacije iz prošlih sezona i eksperimentalnih rezultata HI testova). Tim je to koristio za procjenu odabira cjepiva, budući da je učinkovitost dostupna samo za cjepiva koja su stvarno dana stanovništvu.

Za A/H1N1, nadmašio je ili se izjednačio s WHO-om u 6 od 10 sezona. U jednom značajnom slučaju, za sezonu gripe 2016., VaxSeer je identificirao soj koji WHO nije odabrao do sljedeće godine. Predviđanja modela također su pokazala snažnu korelaciju s procjenama učinkovitosti cjepiva u stvarnom svijetu. VaxSeerovi predviđeni rezultati pokrivenosti usko su se podudarali s podacima javnog zdravstva o bolestima povezanim s gripom i liječničkim posjetima spriječenim cijepljenjem.

Kako točno VaxSeer razumije sve te podatke? Intuitivno, model prvo procjenjuje koliko se brzo virusni soj širi tijekom vremena koristeći model proteinskog jezika, a zatim određuje njegovu dominaciju uzimajući u obzir konkurenciju među različitim sojevima.

Nakon što model izračuna svoje uvide, oni se uključuju u matematički okvir temeljen na nečemu što se naziva 'obične diferencijalne jednadžbe' kako bi se simuliralo širenje virusa tijekom vremena. Za antigenost, sustav procjenjuje koliko će dobro određeni soj cjepiva proći u uobičajenom laboratorijskom testu koji se naziva test inhibicije hemaglutinacije. Ovo mjeri koliko učinkovito antitijela mogu inhibirati vezanje virusa na ljudske crvene krvne stanice, što je široko korištena zamjena za antigensko podudaranje/antigenost.

VaxSeer se trenutno fokusira samo na protein HA (hemaglutinin) virusa gripe, glavni antigen gripe. Buće verzije mogle bi uključivati ​​druge proteine ​​poput NA (neuraminidaze) i čimbenike poput imunološke povijesti, ograničenja proizvodnje ili razine doziranja. Primjena sustava na druge viruse također bi zahtijevala velike, visokokvalitetne skupove podataka koji prate i evoluciju virusa i imunološke odgovore, podatke koji nisu uvijek javno dostupni. Međutim, tim trenutno radi na metodama koje mogu predvidjeti evoluciju virusa u režimima s malo podataka, gradeći odnose između virusnih obitelji.

„S obzirom na brzinu virusne evolucije, trenutni terapijski razvoj često zaostaje. VaxSeer je naš pokušaj da to sustignemo“, kaže Regina Barzilay, profesorica umjetne inteligencije i zdravlja na Fakultetu inženjerstva na MIT-u, voditeljica umjetne inteligencije u klinici Jameel i glavna istraživačica CSAIL-a.