Новое исследование показывает, что искусственный интеллект может превзойти традиционные методы в выборе штаммов для вакцины против гриппа. Это открывает возможности для повышения эффективности и снижения глобального бремени гриппа.
В недавней статье в Nature Medicine рассматривается, как искусственный интеллект может помочь в отборе наиболее подходящих вакцин от гриппа. Вирус гриппа быстро меняет свою генетическую и фенотипическую структуру от сезона к сезону. Поэтому в период с 2012 по 2021 год эффективность вакцинации против гриппа в среднем составляла менее 40 %. Эффективность вакцины означает снижение вероятности заражения гриппом среди тех, кто сделал прививку, по сравнению с теми, кто её не сделал.
Введение
В настоящее время Всемирная организация здравоохранения (ВОЗ) выбирает оптимальные штаммы вакцины против гриппа для каждого предстоящего сезона гриппа, чтобы обеспечить максимальную эффективность вакцины. Различные организации, такие как Центры по контролю и профилактике заболеваний (CDC) и сети эпидемиологического надзора в Европе и Канаде, анализируют эти данные после окончания сезона на основе информации о пациентах с гриппом, которым потребовалась медицинская помощь.
Когда штамм ВОЗ хорошо сочетается с антигенами циркулирующих штаммов, эффективность вакцины может достигать 40-60% в этот сезон. Однако CDC сообщил о низкой эффективности (<40%) за половину лет с 2012 по 2021 год, в среднем по возрастным группам и подтипам. Например, в 2014-2015 годах она составляла 19%. Низкая эффективность вакцины связана с более высоким уровнем госпитализации по поводу гриппа.
На производство инактивированных вакцин против гриппа уходит около 6–9 месяцев, при этом перед каждым сезоном гриппа необходимо выбирать наиболее актуальные штаммы. Несоответствия встречаются часто, но экспериментальные методы прогнозирования неэффективны и неосуществимы из-за нехватки образцов вируса.
Настоящее исследование представляет собой новую попытку спрогнозировать антигенное соответствие между вакциной и циркулирующими штаммами вируса гриппа. Это необходимое условие для создания любой эффективной вакцины против гриппа. Такое соответствие определяется двумя факторами: распределением генотипов вируса в течение определенного сезона гриппа, которое позволяет выявить доминирующий на тот момент штамм, и антигенностью каждой вакцины (насколько хорошо антитела, выработанные вакциной, подавляют данный штамм вируса).
В ходе этого исследования были получены «показатели охвата» для оценки соответствия вакцины антигенному составу вируса. Этот показатель в среднем отражает, насколько хорошо антитела, вырабатываемые вакциной, противостоят антигенам различных циркулирующих штаммов с поправкой на относительное доминирование каждого штамма.
Исследователи изучили последовательности вирусов и данные об их антигенности за десять лет в ходе ретроспективного анализа с использованием своей платформы VaxSeer. Эта модель машинного обучения предназначена для прогнозирования эффективности вакцины-кандидата.
Модель использует набор данных о последовательностях вирусных белков за предыдущие сезоны и годы, чтобы понять, как мутации в последовательностях гемагглютинина влияют на смену доминирующих штаммов. На основе этих данных она прогнозирует доминирующий циркулирующий штамм на предстоящий сезон. В отличие от жёсткой стратегии, используемой в традиционных эпидемиологических исследованиях, она применяет детальный подход к мутациям в последовательностях, кодирующих белки.
Сопоставив прогнозируемое и фактическое доминирование, исследователи обучили две языковые модели, которые параметризуют обыкновенное дифференциальное уравнение (ОДУ) для отслеживания динамических изменений в доминировании штаммов с течением времени. Изменение доминирования связано с оценкой скорости изменения, что позволяет модели прогнозировать, какой штамм будет доминировать в интересующий нас момент времени.
Кроме того, модель позволяет прогнозировать соответствие антигенности вакцины и циркулирующих штаммов вируса без необходимости проведения реальных экспериментов по определению антигенности.
Текущее исследование было сосредоточено на двух подтипах вируса: A / H3N2 и A / H1N1. Модель использовалась для оценки показателя охвата различными вакцинами-кандидатами. Затем это было сопоставлено с фактической эффективностью вакцины и с оценкой CDC о снижении бремени клинических заболеваний в США благодаря вакцинам.
Результаты исследования
Исследование показало, что VaxSeer стабильно предсказывает, какие штаммы вакцины лучше всего подходят для борьбы с циркулирующими штаммами, в отличие от рекомендаций ВОЗ. Используя эмпирические показатели охвата, VaxSeer в шести из 10 лет для H1N1 и в девяти из 10 лет для H3N2 превосходил рекомендации ВОЗ.
За десять лет исследования модель VaxSeer за семь лет определила лучший штамм вакцины для H1N1 и за пять лет — для H3N2. С другой стороны, рекомендованный ВОЗ штамм совпадал с лучшим антигенным штаммом только три раза за эти десять лет для H1N1 и ни разу для H3N2.
Интересно, что у нескольких штаммов-кандидатов на вакцину показатели охвата выше, чем у протестированных на данный момент подмножеств. «Это указывает на возможность существования ещё более эффективных штаммов вакцины, которые ещё предстоит открыть».
В отличие от рекомендаций ВОЗ, VaxSeer фокусируется на штамме вакцины, который эффективно подавляет большинство циркулирующих штаммов, особенно активно распространяющихся.
Прогнозируемый показатель охвата хорошо коррелировал с эффективностью вакцины, оцененной CDC, I-MOVE (Европа) и SPSN (Канада), а также со снижением клинического бремени гриппа после вакцинации.
Выводы
Модели машинного обучения перспективны для отбора вакцин-кандидатов с высоким уровнем антигенного соответствия, что связано с более высокой эффективностью вакцин и меньшим бременем болезней в реальной жизни.
Несмотря на то, что текущее исследование было сосредоточено исключительно на сопоставлении антигенности и доминантности для определения эффективности вакцины и не учитывало другие факторы, такие как иммунный анамнез или методы производства вакцины, полученные результаты подчёркивают потенциально высокую эффективность этой платформы при выборе штаммов для вакцины против гриппа.
Теоретически эта модель может прогнозировать показатели охвата вакцинацией для любой вакцины. Однако при применении к вакцинам, которые сильно отличаются от тех, что использовались для обучения этих моделей, потребуется тщательная проверка.
Авторы подчёркивают, что VaxSeer не призван заменить процесс, осуществляемый ВОЗ, а должен служить дополнительным инструментом выборочного скрининга, который позволяет определить приоритетность штаммов вакцины до проведения ресурсозатратной лабораторной проверки.
В целом это исследование демонстрирует потенциал машинного обучения в поиске более эффективных вакцин».
Ссылка на журнал:
- Ши, У., Вольвенд, Дж., Ву, М. и др. (2025). Выбор штамма вакцины против гриппа с помощью эволюционной модели и модели антигенности на основе искусственного интеллекта. Nature Medicine. doi: https://doi.org/10.1038/s41591-025-03917-y. https://www.nature.com/articles/s41591-025-03917-y
Чтобы написать отзыв нужно авторизоватся