Setiap tahun, para ahli kesehatan global dihadapkan dengan keputusan berisiko tinggi: strain influenza mana yang harus masuk ke vaksin musiman berikutnya? Pilihan harus dibuat berbulan -bulan sebelumnya, jauh sebelum musim flu bahkan dimulai, dan seringkali terasa seperti balapan melawan waktu. Jika strain yang dipilih cocok dengan yang beredar, vaksin kemungkinan akan sangat efektif. Tetapi jika prediksi mati, perlindungan dapat turun secara signifikan, yang mengarah ke penyakit (berpotensi dicegah) dan ketegangan pada sistem perawatan kesehatan.
Tantangan ini menjadi lebih akrab bagi para ilmuwan di tahun-tahun selama pandemi Covid-19. Pikirkan kembali ke waktu (dan waktu dan waktu lagi), ketika varian baru muncul hanya ketika vaksin diluncurkan. Influenza berperilaku seperti sepupu yang serupa dan gaduh, bermutasi terus -menerus dan tidak terduga. Itu membuatnya sulit untuk tetap di depan, dan karena itu lebih sulit untuk merancang vaksin yang tetap protektif.
Untuk mengurangi ketidakpastian ini, para ilmuwan di Ilmu Komputer MIT dan Laboratorium Intelijen Buatan (CSAIL) dan Klinik MIT Abdul Latif Jameel untuk Pembelajaran Mesin dalam Kesehatan ditetapkan untuk membuat pemilihan vaksin lebih akurat dan kurang bergantung pada dugaan. Mereka menciptakan sistem AI yang disebut Vaxseer, yang dirancang untuk memprediksi strain flu yang dominan dan mengidentifikasi kandidat vaksin yang paling protektif, berbulan -bulan sebelumnya. Alat ini menggunakan model pembelajaran mendalam yang dilatih pada beberapa dekade urutan virus dan hasil tes laboratorium untuk mensimulasikan bagaimana virus flu dapat berkembang dan bagaimana vaksin akan merespons.
Model evolusi tradisional sering menganalisis efek mutasi asam amino tunggal secara independen. “Vaxseer mengadopsi model bahasa protein besar untuk mempelajari hubungan antara dominasi dan efek kombinatorial dari mutasi,” jelas Wenxian Shi, seorang mahasiswa PhD di Departemen Teknik Listrik dan Ilmu Komputer MIT, peneliti di CSAIL, dan penulis utama makalah baru tentang pekerjaan tersebut. “Tidak seperti model bahasa protein yang ada yang mengasumsikan distribusi statis varian virus, kami memodelkan perubahan dominasi dinamis, membuatnya lebih cocok untuk virus yang berkembang pesat seperti influenza.”
Laporan akses terbuka tentang penelitian ini diterbitkan hari ini di Obat alam.
Masa depan flu
Vaxseer memiliki dua mesin prediksi inti: satu yang memperkirakan seberapa besar kemungkinan masing -masing strain virus menyebar (dominasi), dan satu lagi yang memperkirakan seberapa efektif suatu vaksin akan menetralkan regangan (antigenisitas). Bersama-sama, mereka menghasilkan skor cakupan yang diprediksi: ukuran yang berwawasan ke depan tentang seberapa baik vaksin yang diberikan cenderung dilakukan terhadap virus di masa depan.
Skala skor bisa dari negatif yang tak terbatas ke 0. Semakin dekat skor ke 0, semakin baik pertandingan antigenik dari strain vaksin dengan virus yang bersirkulasi. (Anda bisa membayangkannya sebagai negatif dari semacam “jarak”.)
Dalam studi retrospektif 10 tahun, para peneliti mengevaluasi rekomendasi Vaxseer terhadap yang dibuat oleh Organisasi Kesehatan Dunia (WHO) untuk dua subtipe flu utama: A/H3N2 dan A/H1N1. Untuk A/H3N2, pilihan Vaxseer mengungguli WHO’s dalam sembilan dari 10 musim, berdasarkan skor cakupan empiris retrospektif (metrik pengganti dari efektivitas vaksin, dihitung dari dominasi yang diamati dari musim lalu dan hasil tes HI eksperimental). Tim menggunakan ini untuk mengevaluasi pilihan vaksin, karena efektivitasnya hanya tersedia untuk vaksin yang sebenarnya diberikan kepada populasi.
Untuk A/H1N1, itu mengungguli atau cocok dengan WHO dalam enam dari 10 musim. Dalam satu kasus penting, untuk musim flu 2016, Vaxseer mengidentifikasi strain yang tidak dipilih oleh siapa sampai tahun berikutnya. Prediksi model ini juga menunjukkan korelasi yang kuat dengan perkiraan efektivitas vaksin dunia nyata, seperti yang dilaporkan oleh CDC, jaringan pengawasan praktisi sentinel Kanada, dan program I-Move Eropa. Skor pertanggungan Vaxseer yang diprediksi selaras dengan data kesehatan masyarakat tentang penyakit terkait flu dan kunjungan medis yang dicegah dengan vaksinasi.
Jadi bagaimana tepatnya Vaxseer memahami semua data ini? Secara intuitif, model pertama kali memperkirakan seberapa cepat suatu strain virus menyebar dari waktu ke waktu menggunakan model bahasa protein, dan kemudian menentukan dominasinya dengan memperhitungkan persaingan di antara berbagai jenis.
Setelah model menghitung wawasannya, mereka dicolokkan ke dalam kerangka matematika berdasarkan sesuatu yang disebut persamaan diferensial biasa untuk mensimulasikan penyebaran virus dari waktu ke waktu. Untuk antigenisitas, sistem memperkirakan seberapa baik strain vaksin yang diberikan akan dilakukan dalam tes laboratorium umum yang disebut uji penghambatan hemagglutinasi. Ini mengukur seberapa efektif antibodi dapat menghambat virus dari mengikat ke sel darah merah manusia, yang merupakan proksi yang banyak digunakan untuk kecocokan/antigenisitas antigenik.
Melampaui evolusi
“Dengan memodelkan bagaimana virus berkembang dan bagaimana vaksin berinteraksi dengan mereka, alat AI seperti Vaxseer dapat membantu pejabat kesehatan membuat keputusan yang lebih baik dan lebih cepat – dan tetap selangkah lebih maju dalam perlombaan antara infeksi dan kekebalan,” kata Shi.
Vaxseer saat ini hanya berfokus pada protein HA (hemagglutinin) virus flu, antigen utama influenza. Versi di masa depan dapat menggabungkan protein lain seperti NA (neuraminidase), dan faktor -faktor seperti riwayat kekebalan tubuh, kendala manufaktur, atau tingkat dosis. Menerapkan sistem ke virus lain juga akan membutuhkan kumpulan data besar berkualitas tinggi yang melacak evolusi virus dan respons imun-data yang tidak selalu tersedia untuk umum. Tim ini, namun saat ini sedang mengerjakan metode yang dapat memprediksi evolusi virus dalam rezim data rendah yang membangun hubungan antara keluarga viral
“Mengingat kecepatan evolusi virus, perkembangan terapeutik saat ini sering tertinggal. Vaxseer adalah upaya kami untuk mengejar ketinggalan,” kata Regina Barzilay, Sekolah Teknik Profesor Terhormat untuk AI dan Kesehatan di MIT, AI memimpin Klinik Jameel, dan Penyelidik Kepala Sekolah CSAIL.
“Makalah ini mengesankan, tetapi yang membuat saya bersemangat mungkin lebih banyak lagi adalah pekerjaan yang sedang berlangsung tim untuk memprediksi evolusi virus dalam pengaturan data rendah,” kata Asisten Profesor Jon Stokes dari Departemen Biokimia dan Ilmu Biomedis di McMaster University di Hamilton, Ontario. “Implikasinya jauh melampaui influenza. Bayangkan bisa mengantisipasi bagaimana bakteri yang resistan terhadap antibiotik atau kanker yang resistan terhadap obat dapat berevolusi, yang keduanya dapat beradaptasi dengan cepat. Pemodelan prediktif semacam ini membuka cara berpikir baru yang kuat tentang bagaimana penyakit yang berubah, memberi kita kesempatan untuk tetap melangkah lebih maju dan merancang intervensi klinis sebelum melarikan diri.
Shi dan Barzilay menulis makalah dengan MIT CSAIL Postdoc Jeremy Wohlwend ’16, Meng ’17, PhD ’25 dan afiliasi CSAIL baru -baru ini Menghua Wu ’19, Meng ’20, PhD ’25. Pekerjaan mereka didukung, sebagian, oleh Badan Pengurangan Ancaman Pertahanan AS dan Klinik MIT Jameel.
