Каждый год эксперты в области здравоохранения сталкиваются с непростой задачей: какие штаммы гриппа включить в следующую сезонную вакцину? Решение необходимо принимать за несколько месяцев до начала сезона гриппа, и часто это похоже на гонку со временем. Если выбранные штаммы соответствуют циркулирующим, вакцина, скорее всего, будет высокоэффективной. Но если прогноз не оправдается, защита может значительно снизиться, что приведёт к болезням (которые можно было предотвратить) и нагрузке на системы здравоохранения.
Эта задача стала ещё более актуальной для учёных в годы пандемии Covid-19. Вспомните, сколько раз новые варианты вируса появлялись как раз тогда, когда вакцины только начинали внедрять. Грипп ведёт себя подобно своему буйному родственнику, постоянно и непредсказуемо мутируя. Это затрудняет опережение вируса и разработку эффективных вакцин.
Чтобы уменьшить эту неопределённость, учёные из Лаборатории компьютерных наук и искусственного интеллекта MIT (CSAIL) и клиники Абдул Латиф Джамиль по машинному обучению в здравоохранении MIT создали систему искусственного интеллекта под названием VaxSeer. Она предназначена для прогнозирования доминирующих штаммов гриппа и выявления наиболее эффективных кандидатов для вакцин за несколько месяцев вперёд.
Инструмент использует модели глубокого обучения, обученные на десятилетиях последовательностей вирусов и результатах лабораторных тестов, чтобы имитировать эволюцию вируса гриппа и реакцию вакцин.
Как работает VaxSeer
Традиционные модели эволюции часто анализируют влияние отдельных мутаций аминокислот независимо. «VaxSeer использует большую модель белкового языка для изучения взаимосвязи между доминированием и комбинаторными эффектами мутаций», — объясняет Вэньсянь Ши, аспирант MIT в области электротехники и информатики, исследователь в CSAIL и ведущий автор новой статьи о работе. «В отличие от существующих моделей белкового языка, которые предполагают статическое распределение вирусных вариантов, мы моделируем динамические сдвиги доминирования, что делает систему более подходящей для быстро эволюционирующих вирусов, таких как грипп».
Отчёт об исследовании опубликован в открытом доступе в журнале Nature Medicine.
Будущее гриппа
У VaxSeer есть два основных механизма прогнозирования: один оценивает вероятность распространения каждого вирусного штамма (доминирование), а другой оценивает, насколько эффективно вакцина нейтрализует этот штамм (антигенность). Вместе они дают прогнозируемый показатель покрытия: прогноз того, насколько хорошо данная вакцина будет работать против будущих вирусов.
Шкала оценки может варьироваться от отрицательной бесконечности до 0. Чем ближе оценка к 0, тем лучше антигенный подбор вакцинных штаммов к циркулирующим вирусам.
В десятилетнем ретроспективном исследовании учёные оценили рекомендации VaxSeer по сравнению с рекомендациями Всемирной организации здравоохранения (ВОЗ) для двух основных подтипов гриппа: A/H3N2 и A/H1N1. Для A/H3N2 рекомендации VaxSeer оказались лучше, чем у ВОЗ, в девяти из десяти сезонов, основываясь на ретроспективных эмпирических показателях покрытия (суррогатный показатель эффективности вакцины, рассчитанный на основе наблюдаемого доминирования в прошлые сезоны и результатов экспериментальных тестов HI).
Для A/H1N1 система превзошла или соответствовала рекомендациям ВОЗ в шести из десяти сезонов. В одном примечательном случае, для сезона гриппа 2016 года, VaxSeer определил штамм, который ВОЗ выбрала только в следующем году.
Прогнозы модели также показали сильную корреляцию с реальными оценками эффективности вакцин, о которых сообщили CDC, Сеть наблюдателей за практиками-отправителями Канады и программа I-MOVE в Европе. Прогнозируемые показатели покрытия VaxSeer соответствовали данным общественного здравоохранения о заболеваниях, связанных с гриппом, и о посещениях медицинских учреждений, предотвращённых вакцинацией.
Опережая эволюцию
«Моделируя эволюцию вирусов и взаимодействие вакцин с ними, инструменты искусственного интеллекта, такие как VaxSeer, могут помочь должностным лицам здравоохранения принимать более взвешенные и быстрые решения — и оставаться на шаг впереди в гонке между инфекцией и иммунитетом», — говорит Ши.
В настоящее время VaxSeer фокусируется только на белке HA (гемагглютинин) вируса гриппа, главном антигене гриппа. Будущие версии могут включать другие белки, такие как NA (нейраминидаза), а также факторы, такие как иммунный анамнез, производственные ограничения или уровни дозировки. Применение системы к другим вирусам также потребует больших объёмов качественных данных, которые отслеживают как эволюцию вирусов, так и иммунные ответы — данные, которые не всегда доступны публично.
«Учитывая скорость эволюции вирусов, разработка современных методов лечения часто отстаёт. VaxSeer — это наша попытка догнать», — говорит Регина Барзилай, заслуженный профессор инженерной школы MIT по искусственному интеллекту и здравоохранению, руководитель AI в клинике Jameel и главный исследователь CSAIL.
«Эта статья впечатляет, но что волнует меня, возможно, даже больше, так это текущая работа команды над прогнозированием эволюции вирусов в условиях низкого объёма данных, — говорит доцент кафедры биохимии и биомедицинских наук Макмастерского университета в Гамильтоне, Онтарио, Джон Стоукс. — Последствия выходят далеко за рамки гриппа. Представьте себе возможность предвидеть, как могут эволюционировать антибиотикорезистентные бактерии или лекарственно-устойчивые раковые опухоли, которые могут быстро адаптироваться. Такое прогнозирование открывает новый мощный способ мышления о том, как меняются болезни, давая нам возможность оставаться на шаг впереди и разрабатывать клинические вмешательства до того, как побег станет серьёзной проблемой».
Ши и Барзилай написали статью вместе с постдоком MIT CSAIL Джереми Вольвенденом ’16, MEng ’17, PhD ’25 и недавним сотрудником CSAIL Менхуа Ву ’19, MEng ’20, PhD ’25. Их работа была частично поддержана Агентством Министерства обороны США по сокращению угроз и клиникой MIT Jameel.
1. Какие проблемы решает инструмент VaxSeer и почему это важно для здравоохранения?
Инструмент VaxSeer решает проблему прогнозирования доминирующих штаммов гриппа и выявления наиболее эффективных кандидатов для вакцин за несколько месяцев вперёд. Это важно для здравоохранения, поскольку позволяет уменьшить неопределённость при выборе штаммов для вакцины и повысить её эффективность.
2. Какие механизмы прогнозирования используются в VaxSeer и как они работают?
В VaxSeer используются два основных механизма прогнозирования: один оценивает вероятность распространения каждого вирусного штамма (доминирование), а другой оценивает, насколько эффективно вакцина нейтрализует этот штамм (антигенность). Вместе они дают прогнозируемый показатель покрытия, который показывает, насколько хорошо данная вакцина будет работать против будущих вирусов.
3. Как проводилось сравнение рекомендаций VaxSeer с рекомендациями Всемирной организации здравоохранения (ВОЗ)?
В десятилетнем ретроспективном исследовании учёные оценили рекомендации VaxSeer по сравнению с рекомендациями ВОЗ для двух основных подтипов гриппа: A/H3N2 и A/H1N1. Для A/H3N2 рекомендации VaxSeer оказались лучше, чем у ВОЗ, в девяти из десяти сезонов. Для A/H1N1 система превзошла или соответствовала рекомендациям ВОЗ в шести из десяти сезонов.
4. Какие перспективы развития есть у системы VaxSeer?
В настоящее время VaxSeer фокусируется только на белке HA (гемагглютинин) вируса гриппа, главном антигене гриппа. Будущие версии могут включать другие белки, такие как NA (нейраминидаза), а также факторы, такие как иммунный анамнез, производственные ограничения или уровни дозировки. Применение системы к другим вирусам также потребует больших объёмов качественных данных, которые отслеживают как эволюцию вирусов, так и иммунные ответы.
5. Какие потенциальные последствия может иметь применение подобных инструментов искусственного интеллекта в здравоохранении?
Применение инструментов искусственного интеллекта, таких как VaxSeer, может помочь должностным лицам здравоохранения принимать более взвешенные и быстрые решения, оставаться на шаг впереди в гонке между инфекцией и иммунитетом. Это может привести к повышению эффективности вакцин и снижению заболеваемости, связанной с гриппом.