Hvert år står globale helseeksperter overfor en livsviktig avgjørelse: Hvilke influensastammer bør inkluderes i neste sesongs vaksine? Denne avgjørelsen må tas måneder i forveien, før sesongen i det hele tatt har begynt. Hvis vaksinen velges riktig, vil den være svært effektiv. Men hvis den går galt, vil beskyttelsen bli betydelig redusert, noe som fører til en flom av forebyggbare tilfeller og legger et enormt press på helsesystemene.

Professor Regina Barzilay (til venstre) og masterstudent Wenxian Shi. Foto: MIT News

Denne utfordringen har blitt enda mer kjent under Covid-19-pandemien, hvor nye varianter har dukket opp samtidig som vaksiner rulles ut. Influensa oppfører seg på lignende måte – som en «støyende søsken», som konstant og uforutsigbart muterer, og etterlater vaksineutformingen ett skritt bak.

For å redusere usikkerheten har forskere ved Computer Science and Artificial Intelligence Laboratory (CSAIL) og MIT Abdul Latif Jameel Clinic for Machine Learning in Healthcare laget et AI-system kalt VaxSeer. Verktøyet forutsier den dominerende fremtidige influensastammen og identifiserer de beste vaksinekandidatene for å beskytte måneder før et utbrudd. VaxSeer ble trent på flere tiår med data, inkludert virusgenetiske sekvenser og laboratorietester, for å simulere hvordan viruset utvikler seg og reagerer på vaksiner.

I motsetning til tradisjonelle evolusjonære modeller som analyserer individuelle aminosyremutasjoner, bruker VaxSeer en «proteinspråkmodell» for å lære forholdet mellom dominans og de kombinerte effektene av flere mutasjoner. «Vi simulerer den dynamiske endringen av dominans, noe som er mer passende for raskt utviklende virus som influensa», sa Wenxian Shi, doktorgradsstudent ved MIT og hovedforfatter av studien.

Hvordan fungerer VaxSeer?

Dette verktøyet har to hovedprediksjonsmotorer:

Dominans: Et estimat av sannsynligheten for at en influensastamme vil spre seg.
Antigenisitet: Forutsier hvor effektiv vaksinen er til å nøytralisere den stammen.
Ved å kombinere de to faktorene genererer VaxSeer en «prediktiv dekningsscore», som viser hvor godt vaksinen samsvarer med fremtidige virusstammer. Jo nærmere denne poengsummen er null, desto bedre er samsvaret.

I en 10-årig retrospektiv studie sammenlignet MIT-teamet VaxSeers anbefalinger med Verdens helseorganisasjons (WHO) valg for to store influensasubtyper: A/H3N2 og A/H1N1.

For A/H3N2 overgikk VaxSeers anbefaling WHOs i 9/10 epidemisesonger.
For A/H1N1 var systemet likt med eller bedre enn WHO i 6 av 10 sesonger.
Det er verdt å merke seg at VaxSeer i influensasesongen i 2016 valgte ut en stamme som WHO ikke ville inkludere i en vaksine før året etter.

VaxSeers spådommer korrelerer også tett med data om vaksineeffektivitet fra CDC (USA), Practice Surveillance Network i Canada og I-MOVE-programmet i Europa.

Kappløp med virusutviklingen

VaxSeer estimerer spredningsraten for hver virusstamme ved hjelp av en proteinspråkmodell, og beregner deretter dominans basert på konkurranse mellom stammer. Deretter mates dataene inn i et matematisk rammeverk basert på differensialligninger for å simulere spredningen.

Foto av artikkel 78.jpg

For antigenisitet forutsier VaxSeer vaksineeffektivitet gjennom hemagglutinasjonsinhiberingstesten (HI-testen), et vanlig mål på antigenisitet.

«Ved å modellere virusutvikling og vaksineresponser kan AI-verktøy som VaxSeer hjelpe helsepersonell med å ta raskere og bedre beslutninger, og dermed holde seg ett skritt foran i kappløpet mellom infeksjon og immunitet», hevdet Shi.

VaxSeer fokuserer for tiden på HA (hemagglutinin)-proteinet, det viktigste influensaantigenet. Fremtidige versjoner kan inkludere NA (neuraminidase)-proteinet, immunhistorie, produksjonsprosesser eller dosering. Teamet utvikler også en metode for å forutsi virusutvikling i mangel av data, basert på forholdet mellom virusfamilier.

«VaxSeer er vårt forsøk på å holde tritt med den raske utviklingen av virus», sa Regina Barzilay, MIT Distinguished Professor of AI and Medicine og medforfatter av studien.

Jon Stokes, assisterende professor ved McMaster University (Canada), kommenterte: «Det fantastiske poenget er ikke bare de nåværende resultatene, men også potensialet for å utvide til andre områder: å forutsi utviklingen av medikamentresistente bakterier eller behandlingsresistente kreftformer. Dette er en helt ny tilnærming som gjør det mulig å utforme medisinske løsninger før sykdommen har en sjanse til å overvinne barrieren.»

(Ifølge MIT)

Kilde: https://vietnamnet.vn/mit-phat-trien-cong-cu-ai-du-doan-virus-cum-cuu-hang-trieu-ca-benh-2439275.html