В недавней статье, опубликованной в журнале «Nature Medicine», исследуется, как искусственный интеллект может помочь выбрать наиболее подходящие вакцины против гриппа. Вирус гриппа претерпевает быстрые генетические и фенотипические изменения от сезона к сезону. 

В настоящее время Всемирная организация здравоохранения (ВОЗ) подбирает оптимальные штаммы вакцины против гриппа для каждого предстоящего сезона гриппа для достижения наилучшей эффективности вакцины. Различные органы, такие как Центры по контролю и профилактике заболеваний в США (CDC) и сети эпиднадзора в Европе и Канаде, анализируют эти данные после сезона на основе пациентов с гриппом, которым потребовалась медицинская помощь.

Когда штамм ВОЗ хорошо сочетается с антигенами циркулирующих штаммов, эффективность вакцины может составлять от 40% до 60% в этот сезон. Тем не менее, CDC сообщил о низкой эффективности (<40%) в половине лет в период с 2012 по 2021 год, в среднем по возрастным группам и подтипам. В 2014-2015 годах, например, он составлял 19%. Низкая эффективность вакцины связана с более высокими показателями госпитализации по поводу гриппа.

Производство инактивированных вакцин против гриппа занимает около 6-9 месяцев, что требует выбора наиболее подходящих вакцинных штаммов перед каждым сезоном гриппа. Несоответствия встречаются часто, но экспериментальные методы прогнозирования не являются ни экономически эффективными, ни осуществимыми из-за недостаточного количества вирусных образцов.

Настоящее исследование представляет собой новую попытку предсказать антигенные соответствия между вакциной и циркулирующими штаммами вируса гриппа, что является основным критерием эффективности любой вакцины против гриппа. Такое сопоставление основано на двух аспектах: распределении вирусного генотипа в течение данного сезона гриппа, которое выявляет доминирующий штамм в данный момент, и антигенности каждой вакцины (насколько хорошо антитела, вызванные вакциной, ингибируют данный вирусный штамм).

Исследователи изучили последовательности вирусов за десять лет и данные об антигенности в ретроспективном анализе с использованием своей платформы VaxSeer. Эта модель машинного обучения обучена прогнозировать вакцину-кандидата с самым высоким показателем охвата. Модель использует набор данных последовательностей вирусных белков за предыдущие сезоны и годы, чтобы понять, как мутации в последовательностях гемагглютинина влияют на сдвиг в доминировании. Исходя из этого, он прогнозируется доминирующий циркулирующий штамм на предстоящий сезон. Кроме того, модель предсказывает соответствие антигенности между вакциной и циркулирующими штаммами вируса без необходимости проведения реальных экспериментов по антигенности.

Текущее исследование было сосредоточено на двух подтипах вируса: A/H3N2 и A/H1N1. Модель была использована для оценки показателя охвата различными вакцинами-кандидатами. Используя эмпирические показатели охвата, VaxSeer превзошел рекомендации ВОЗ в шести из 10 лет для H1N1 и в девяти из 10 лет для H3N2.
В течение исследуемого десятилетия модель VaxSeer выбрала лучший вакцинный штамм за семь лет для H1N1 и за пять лет для штамма H3N2. И наоборот, рекомендованный ВОЗ штамм за эти десять лет только трижды соответствовал лучшему антигенному штамму для H1N1 и не смог этого сделать для H3N2.

Интересно, что несколько штаммов-кандидатов в вакцины имеют более высокие показатели охвата, чем подгруппа, протестированная до сих пор. «Это подчеркивает возможность того, что могут существовать еще более эффективные вакцинные штаммы, ожидающие своего открытия». Модели машинного обучения являются перспективными при выборе вакцин-кандидатов с высоким антигенным соответствием, связанным с более высокой эффективностью вакцины и меньшим бременем болезней в реальной жизни.

Несмотря на то, что текущее исследование было сосредоточено только на сопоставлении антигенности-доминирования для эффективности вакцины и не рассматривало другие факторы, такие как иммунный анамнез или методы производства вакцины, результаты подчеркивают потенциальную пользу этой платформы при выборе штаммов вакцины против гриппа.

Авторы подчеркивают, что VaxSeer не призван заменить процесс ВОЗ, а служит дополнительным, селективным инструментом скрининга, который может отдавать приоритет вакцинным штаммам перед ресурсоемкой лабораторной валидацией. В целом, «это исследование демонстрирует потенциал машинного обучения для помощи людям в открытии более эффективных вакцин».