MIT utvecklar AI-verktyg för att förutsäga influensavirus, vilket räddar miljontals fall

Varje år står globala hälsoexperter inför ett livsavgörande beslut: Vilka influensastammar ska ingå i nästa säsongs vaccin? Detta beslut måste fattas månader i förväg, innan säsongen ens har börjat. Om vaccinet väljs rätt kommer det att vara mycket effektivt. Men om det går fel kommer skyddet att minskas avsevärt, vilket leder till en flod av förebyggbara fall och sätter enorm press på hälso- och sjukvårdssystemen.

Professor Regina Barzilay (vänster) och doktoranden Wenxian Shi. Foto: MIT News

Denna utmaning har blivit allt mer välbekant under covid-19-pandemin, där nya varianter har dykt upp precis som vacciner lanseras. Influensa beter sig på liknande sätt – som ett "bullrigt syskon", som ständigt och oförutsägbart muterar, vilket lämnar vaccindesignen ett steg efter.

För att minska osäkerheten skapade forskare vid Computer Science and Artificial Intelligence Laboratory (CSAIL) och MIT Abdul Latif Jameel Clinic for Machine Learning in Healthcare ett AI-system som heter VaxSeer. Verktyget förutsäger den dominerande framtida influensastammen och identifierar de bästa vaccinkandidaterna för att skydda månader före ett utbrott. VaxSeer utbildades på årtionden av data, inklusive virusgenetiska sekvenser och laboratorietester, för att simulera hur viruset utvecklas och reagerar på vacciner.

Till skillnad från traditionella evolutionära modeller som analyserar individuella aminosyramutationer använder VaxSeer en "proteinspråkmodell" för att lära sig sambandet mellan dominans och de kombinerade effekterna av flera mutationer. "Vi simulerar den dynamiska förändringen av dominans, vilket är mer lämpligt för snabbt utvecklande virus som influensa", säger Wenxian Shi, doktorand vid MIT och huvudförfattare till studien.

Hur fungerar VaxSeer?

Det här verktyget har två huvudsakliga prediktionsmotorer:

Dominans: En uppskattning av sannolikheten för att en influensastam kommer att spridas.
Antigenicitet: Förutsäger hur effektivt vaccinet är på att neutralisera den stammen.
Genom att kombinera de två faktorerna genererar VaxSeer en "prediktiv täckningspoäng", som visar hur nära vaccinet matchar framtida virusstammar. Ju närmare noll denna poäng är, desto bättre matchning.

I en 10-årig retrospektiv studie jämförde MIT-teamet VaxSeers rekommendationer med Världshälsoorganisationens (WHO) val för två stora influensasubtyper: A/H3N2 och A/H1N1.

För A/H3N2 överträffade VaxSeers rekommendation WHO:s under 9/10 epidemisäsonger.
För A/H1N1 var systemet lika med eller bättre än WHO under 6 av 10 säsonger.
Det är värt att notera att VaxSeer under influensasäsongen 2016 valde ut en stam som WHO inte skulle inkludera i ett vaccin förrän året därpå.

VaxSeers förutsägelser korrelerar också nära med verkliga data om vaccineffektivitet från CDC (USA), Practice Surveillance Network i Kanada och I-MOVE-programmet i Europa.

Tävlar med virusutvecklingen

VaxSeer uppskattar spridningshastigheten för varje virusstam med hjälp av en proteinspråkmodell och beräknar sedan dominans baserat på konkurrens mellan stammar. Därefter matas data in i ett matematiskt ramverk baserat på differentialekvationer för att simulera spridningen.

För antigenicitet förutspår VaxSeer vaccinets effektivitet genom hemagglutinationsinhibitionstestet (HI-test), ett vanligt mått på antigenicitet.

"Genom att modellera virusutveckling och vaccinresponser kan AI-verktyg som VaxSeer hjälpa hälsovårdstjänstemän att fatta snabbare och bättre beslut och ligga steget före i kapplöpningen mellan infektion och immunitet", hävdade Shi.

VaxSeer fokuserar för närvarande på HA-proteinet (hemagglutinin), det huvudsakliga influensaantigenet. Framtida versioner kan inkludera NA-proteinet (neuraminidas), immunförsvarshistorik, tillverkningsprocesser eller dosering. Teamet utvecklar också en metod för att förutsäga virusutveckling i avsaknad av data, baserat på släktskap mellan virusfamiljer.

”VaxSeer är vårt försök att hålla jämna steg med virusutvecklingens snabba takt”, säger Regina Barzilay, MIT Distinguished Professor of AI and Medicine och medförfattare till studien.

Jon Stokes, biträdande professor vid McMaster University (Kanada), kommenterade: ”Det fantastiska är inte bara de nuvarande resultaten, utan också potentialen att utvidga detta till andra områden: att förutsäga utvecklingen av läkemedelsresistenta bakterier eller behandlingsresistenta cancerformer. Detta är en helt ny metod som gör det möjligt att utforma medicinska lösningar innan sjukdomen har en chans att övervinna barriären.”

(Enligt MIT)

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