מחקר חדש מראה כי בינה מלאכותית יכולה לנצח שיטות מסורתיות בבחירת זני חיסון נגד שפעת, ומציעה דרך להגביר את האפקטיביות ולהפחית את הנטל העולמי של שפעת.
לִלמוֹד: בחירת מתח של חיסון נגד שפעת עם מודל אבולוציוני ואנטיגניות מבוסס AI. קרדיט תמונה: preciousj/shutterstock.com
מאמר שנערך לאחרונה רפואת טבע בוחן כיצד בינה מלאכותית יכולה לעזור לבחור התאמות טובות יותר בקרב מועמדים לחיסון נגד שפעת. נגיף השפעת עובר שינוי גנטי ופנוטיפי מהיר מעונה לשנייה. לפיכך, חיסון נגד שפעת בממוצע מתחת ל -40% בין 2012-2021. יעילות החיסון מתייחסת להפחתת הסיכויים לשפעת בקרב אלה שקיבלו את יריות השפעת שלהם ביחס לאלה שלא עשו זאת.
מָבוֹא
ארגון הבריאות העולמי (WHO) בוחר כיום את זני החיסון נגד שפעת האופטימליים עבור כל עונת שפעת הקרובה בכדי להשיג את יעילות החיסון הטובה ביותר. גופים שונים, כמו המרכזים לבקרת מחלות ומניעת מחלות (CDC) ורשתות מעקב באירופה ובקנדה, מנתחים נתונים אלה לאחר העונה המבוססת על חולים עם שפעת שדרשו טיפול רפואי.
כאשר זן ארגון הבריאות העולמי מתאים היטב לאנטיגנים של הזנים המסתובבים, יעילות החיסון עשויה להיות עד 40% עד 60% באותה עונה. עם זאת, ה- CDC דיווח על יעילות נמוכה (<40%) במחצית השנים בין 2012 ל 2021, בממוצע על פני קבוצות גיל ותת -סוגים. בשנים 2014-2015, למשל, הוא עמד על 19%. יעילות חיסון נמוכה קשורה לשיעורי אשפוז גבוהים יותר עבור שפעת.
חיסונים נגד שפעת לא מופעלים נדרשים כ 6-9 חודשים לייצור, הדורשים בחירת זני החיסון הרלוונטיים ביותר לפני כל עונת שפעת. אי התאמות נפוצות, אך שיטות חיזוי ניסיוניות אינן חסכוניות ואינן אפשריות כתוצאה מדגימות נגיפיות לא מספקות.
המחקר הנוכחי מייצג ניסיון רענן לחזות התאמות אנטיגניות בין זני נגיף שפעת המסתובבים. זהו צורך בסיסי בכל חיסון יעיל בשפעת. התאמה כזו מבוססת על שני היבטים: התפלגות הגנוטיפ הנגיפי בעונת שפעת נתונה, החושפת את הזן הדומיננטי באותה תקופה, ואת האנטיגניות של כל חיסון (עד כמה נוגדנים הנגרמים על ידי חיסון מעכבים זן ויראלי נתון).
מחקר זה יצר "ציוני כיסוי" למדידת המשחק האנטיגני של החיסון. ציון זה משקף, בממוצע, עד כמה נוגדני החיסון מנוגדים לאנטיגנים על זנים מחולים מרובים, מותאמים לדומיננטיות היחסית של כל זן.
החוקרים בדקו את רצפי הנגיף בשווי עשר שנים ונתוני אנטיגניות בניתוח רטרוספקטיבי באמצעות הפלטפורמה שלהם, Vaxseer. מודל למידת מכונה זו מאומן לחיזוי המועמד לחיסון עם ציון הכיסוי הגבוה ביותר.
המודל משתמש במערך הנתונים של רצפי חלבון נגיפי בעונות קודמות ובשנים כדי להבין כיצד מוטציות ברצפי המגלגלוטינין משפיעים על שינוי הדומיננטיות. בהתבסס על זה, הוא מנבא את המתח המסתובב הדומיננטי לעונה הקרובה. בניגוד לאסטרטגיה הנוקשה המשמשת במחקרים אפידמיולוגיים קונבנציונליים, היא משתמשת בגישה ניואנסת למוטציות ברצפי קידוד החלבון.
על ידי התאמה שחזה עם דומיננטיות בפועל, החוקרים אימנו שני מודלים בשפה המפרממים משוואה דיפרנציאלית רגילה (ODE) כדי לתפוס שינויים דינמיים בדומיננטיות המתח לאורך זמן. שינוי הדומיננטיות משולב עם אומדן של קצב השינוי, ומאפשר למודל לחזות איזה זן יהיה דומיננטי בזמן עניין.
בנוסף, המודל חוזה התאמת אנטיגניות בין חיסון לזני נגיף המסתובבים ללא צורך בניסויי אנטיגניות בפועל.
המחקר הנוכחי התמקד בשני תת -סוגים של וירוסים: A/H3N2 ו- A/H1N1. המודל שימש כדי להעריך את ציון הכיסוי עבור מועמדים שונים לחיסונים. לאחר מכן הושווה זאת ליעילות החיסון בפועל ועם אומדן ה- CDC של ירידה בנטל המחלות הקליניות בארצות הברית בגלל החיסונים.
ממצאי לימוד
המחקר הראה כי Vaxseer ניבאה בעקביות זני חיסון בעקביות עם התאמות אנטיגניות טובות יותר עבור הזנים המסתובבים, בהשוואה להמלצת ארגון הבריאות העולמי. בעזרת ציוני כיסוי אמפיריים, Vaxseer הצליח בהשוואה להמלצת ה- WHO בשש מתוך 10 שנים עבור H1N1 ותשע מתוך 10 שנים עבור H3N2.
במהלך המחקר בחר מודל Vaxseer את זן החיסון הטוב ביותר בשבע שנים במשך H1N1 וחמש שנים עבור זן H3N2. לעומת זאת, המתח המומלץ על ידי ארגון הבריאות העולמי התאים למתח האנטיגני הטוב ביותר רק שלוש פעמים בעשר השנים הללו עבור H1N1 ולא הצליח לעשות זאת עבור H3N2.
מעניין לציין כי זני מועמדים מרובים של חיסונים הם בעלי ציוני כיסוי גבוהים יותר מאשר קבוצת המשנה שנבדקה עד כה. "זה מדגיש את האפשרות כי יתכן וקיימים זני חיסון יעילים עוד יותר הממתינים להתגלות. "
בניגוד להמלצת ארגון הבריאות העולמי, Vaxseer מתמקד בזן החיסון המעכב ביעילות את מרבית הזנים המסתובבים, במיוחד אלה שמתרחבים באופן פעיל.
ציון הכיסוי החזוי היה בקורלציה היטב עם יעילות החיסון כפי שהוערך על ידי ה- CDC, I-Move (אירופה) ו- SPSN (קנדה), ועם ירידה בנטל השפעת הקליני שלאחר הכוונה.
מסקנות
מודלים של למידת מכונות מבטיחים בבחירת מועמדים לחיסונים עם התאמה אנטיגנית גבוהה, הקשורה ליעילות חיסון גבוהה יותר ונטל מחלה נמוך יותר בחיים האמיתיים.
אף על פי שהמחקר הנוכחי התמקד בהתאמה של אנטיגניות-דומיננטית בלבד ליעילות החיסון ולא שקל השפעות אחרות כמו היסטוריה חיסונית או שיטות ייצור חיסונים, התוצאות מדגישות את התועלת העלולה להיות חזקה של פלטפורמה זו בבחירת זני חיסון נגד שפעת.
תיאורטית, מודל זה יכול לחזות ציוני כיסוי לכל חיסון. עם זאת, הדבר יזדקק לאימות קפדני כאשר הוא מיושם על חיסונים השונים מאוד מאלה המשמשים להכשרת דגמים אלה.
המחברים מדגישים כי Vaxseer אינו מיועד להחליף את תהליך ה- WHO, אלא לשמש כלי סינון משלים וסלקטיבי שיכול לתעדף זני חיסונים לפני אימות מעבדה עתיר משאבים.
בסך הכל, "מחקר זה מציג את הפוטנציאל של למידת מכונה כדי לסייע לבני אדם בגילוי חיסונים יעילים יותר. "
הורד את עותק ה- PDF שלך עכשיו!
