Κάθε χρόνο, οι παγκόσμιοι ειδικοί στον τομέα της υγείας αντιμετωπίζουν μια κρίσιμη απόφαση: Ποια στελέχη γρίπης θα πρέπει να συμπεριληφθούν στο εμβόλιο της επόμενης σεζόν; Αυτή η απόφαση πρέπει να ληφθεί μήνες νωρίτερα, ακόμη και πριν από την έναρξη της σεζόν της γρίπης. Εάν η επιλογή είναι σωστή, το εμβόλιο θα είναι εξαιρετικά αποτελεσματικό. Αλλά ένα μόνο λάθος βήμα μπορεί να μειώσει σημαντικά την προστασία, οδηγώντας σε αύξηση των κρουσμάτων που μπορούν να προληφθούν και ασκώντας τεράστια πίεση στα συστήματα υγειονομικής περίθαλψης.
Η καθηγήτρια Regina Barzilay (αριστερά) και η μεταπτυχιακή φοιτήτρια Wenxian Shi. Φωτογραφία: MIT News
Αυτή η πρόκληση έγινε πολύ οικεία κατά τη διάρκεια της πανδημίας Covid-19, όταν νέες παραλλαγές εμφανίζονταν συνεχώς ακριβώς την ίδια στιγμή που κυκλοφορούσαν τα εμβόλια. Οι ιοί της γρίπης συμπεριφέρονται παρόμοια - σαν «θορυβώδης αδελφός», μεταλλάσσονται συνεχώς και είναι απρόβλεπτοι, αφήνοντας τον σχεδιασμό εμβολίων πάντα ένα βήμα πίσω.
Για να μειώσουν την αβεβαιότητα, επιστήμονες στο Εργαστήριο Επιστήμης Υπολογιστών και Τεχνητής Νοημοσύνης (CSAIL) και στην Κλινική Μηχανικής Μάθησης στην Υγεία του MIT Abdul Latif Jameel δημιούργησαν ένα σύστημα τεχνητής νοημοσύνης που ονομάζεται VaxSeer. Αυτό το εργαλείο προβλέπει μελλοντικά κυρίαρχα στελέχη γρίπης και εντοπίζει τα καλύτερα προστατευτικά υποψήφια εμβόλια μήνες πριν από ένα ξέσπασμα. Το VaxSeer έχει εκπαιδευτεί σε δεδομένα δεκαετιών, συμπεριλαμβανομένων των αλληλουχιών ιικών γονιδίων και των αποτελεσμάτων εργαστηριακών δοκιμών, για να προσομοιώνει τον τρόπο με τον οποίο ο ιός εξελίσσεται και ανταποκρίνεται στα εμβόλια.
Σε αντίθεση με τα παραδοσιακά εξελικτικά μοντέλα που συνήθως αναλύουν μεμονωμένες μεταλλάξεις αμινοξέων, το VaxSeer αξιοποιεί ένα «μοντέλο πρωτεϊνικής γλώσσας» για να μάθει τη σχέση μεταξύ της κυριαρχίας και των συνδυασμένων επιδράσεων πολλαπλών μεταλλάξεων. «Μοντελοποιούμε δυναμικές αλλαγές στην κυριαρχία, η οποία είναι πιο σχετική με τους ταχέως εξελισσόμενους ιούς όπως η γρίπη», δήλωσε η Wenxian Shi, διδακτορική φοιτήτρια στο MIT και επικεφαλής συγγραφέας της μελέτης.
Πώς λειτουργεί το VaxSeer;
Αυτό το εργαλείο διαθέτει δύο κύριες μηχανές πρόβλεψης:
Κυριαρχία: Μια εκτίμηση της πιθανότητας εξάπλωσης ενός στελέχους γρίπης.
Αντιγονικότητα: Προβλέπει την αποτελεσματικότητα ενός εμβολίου στην εξουδετέρωση ενός συγκεκριμένου στελέχους.
Συνδυάζοντας αυτούς τους δύο παράγοντες, το VaxSeer δημιουργεί μια «βαθμολογία προγνωστικής κάλυψης», η οποία δείχνει τον βαθμό αντιστοίχισης μεταξύ του εμβολίου και των μελλοντικών στελεχών του ιού. Όσο πιο κοντά στο 0 είναι αυτή η βαθμολογία, τόσο υψηλότερη είναι η αντιστοίχιση.
Σε μια αναδρομική 10ετή μελέτη, η ομάδα του MIT συνέκρινε τις συστάσεις του VaxSeer με τις επιλογές του Παγκόσμιου Οργανισμού Υγείας (ΠΟΥ) για δύο κύριους υποτύπους γρίπης: A/H3N2 και A/H1N1.
Με τον ιό A/H3N2, οι συστάσεις του VaxSeer ξεπέρασαν αυτές του ΠΟΥ σε 9 από τις 10 επιδημίες.
Με την A/H1N1, αυτό το σύστημα είναι ίσο ή καλύτερο από τον ΠΟΥ σε 6 από τις 10 σεζόν.
Αξίζει να σημειωθεί ότι κατά τη διάρκεια της περιόδου γρίπης του 2016, η VaxSeer εντόπισε ένα στέλεχος που ο ΠΟΥ δεν θα συμπεριλάμβανε στο εμβόλιό του μέχρι το επόμενο έτος.
Οι προβλέψεις του VaxSeer συσχετίζονται επίσης στενά με τα πραγματικά δεδομένα αποτελεσματικότητας των εμβολίων από το CDC (ΗΠΑ), το Δίκτυο Παρακολούθησης Πρακτικής στον Καναδά και το πρόγραμμα I-MOVE στην Ευρώπη.
Αγώνας δρόμου ενάντια στην εξέλιξη των ιών.
Το VaxSeer εκτιμά τον ρυθμό εξάπλωσης κάθε στελέχους του ιού χρησιμοποιώντας ένα μοντέλο πρωτεϊνικής γλώσσας και, στη συνέχεια, υπολογίζει την κυριαρχία με βάση τον ανταγωνισμό μεταξύ των στελεχών. Στη συνέχεια, τα δεδομένα τροφοδοτούνται σε ένα μαθηματικό πλαίσιο που βασίζεται σε διαφορικές εξισώσεις για την προσομοίωση της εξάπλωσης.
Για την αντιγονικότητα, το VaxSeer προβλέπει την αποτελεσματικότητα του εμβολίου μέσω της αναστολής της αιμοσυγκόλλησης (δοκιμασία HI), ενός κοινού μέτρου αντιγονικότητας.
«Μοντελοποιώντας την εξέλιξη του ιού και την απόκριση στο εμβόλιο, εργαλεία τεχνητής νοημοσύνης όπως το VaxSeer μπορούν να βοηθήσουν τους υγειονομικούς υπαλλήλους να λαμβάνουν ταχύτερες και καλύτερες αποφάσεις, παραμένοντας πάντα ένα βήμα μπροστά στον αγώνα μεταξύ μόλυνσης και ανοσίας», υποστήριξε ο Shi.
Προς το παρόν, το VaxSeer επικεντρώνεται μόνο στην πρωτεΐνη HA (αιμαγλουτινίνη) – το κύριο αντιγόνο της γρίπης. Μελλοντικές εκδόσεις ενδέχεται να προσθέσουν την πρωτεΐνη NA (νευραμινιδάση), παράγοντες που σχετίζονται με το ανοσοποιητικό ιστορικό, τη διαδικασία παρασκευής ή τη δοσολογία. Η ερευνητική ομάδα αναπτύσσει επίσης μια μέθοδο για την πρόβλεψη της εξέλιξης του ιού στο πλαίσιο της έλλειψης δεδομένων, με βάση τις σχέσεις μεταξύ των οικογενειών των ιών.
Η Regina Barzilay, διακεκριμένη καθηγήτρια Τεχνητής Νοημοσύνης και Υγείας στο MIT και συν-συγγραφέας της μελέτης, δήλωσε: «Το VaxSeer είναι η προσπάθειά μας να συμβαδίσουμε με την ταχεία εξέλιξη των ιών».
Ο Jon Stokes, επίκουρος καθηγητής στο Πανεπιστήμιο McMaster (Καναδάς), σχολίασε: «Το εκπληκτικό δεν είναι μόνο τα τρέχοντα αποτελέσματα, αλλά και η δυνατότητα επέκτασης σε άλλους τομείς: η πρόβλεψη της εξέλιξης των ανθεκτικών στα φάρμακα βακτηρίων ή των ανθεκτικών στις θεραπείες καρκίνων. Πρόκειται για μια εντελώς νέα προσέγγιση που επιτρέπει τον σχεδιασμό ιατρικών λύσεων προτού οι ασθένειες έχουν την ευκαιρία να εμφανιστούν».
(Σύμφωνα με το ΜΙΤ)
Πηγή: https://vietnamnet.vn/mit-phat-develop-ai-tool-predicting-flu-virus-millions-of-cases-2439275.html
Σχόλιο (0)