همه ساله ، متخصصان بهداشت جهانی با تصمیم بالایی روبرو هستند: کدام سویه های آنفلوانزا باید وارد واکسن فصلی بعدی شوند؟ انتخابات باید ماهها پیش از این انجام شود ، مدتها قبل از شروع فصل آنفولانزا و معمولاً مانند مسابقه مقابل ساعت احساس می شود. اگر سویه های انتخاب شده با گردش مطابقت داشته باشند ، احتمالاً واکسن کاملاً مؤثر خواهد بود. با این حال ، اگر تخمین بسته شود ، محافظت ممکن است به میزان قابل توجهی کاهش یابد ، که ممکن است منجر به بیماری (به طور بالقوه پیشگیری شده) و مشکل در سیستم های بهداشتی شود.
این دشواری حتی در طول سالها در طول Covid-19 Pandemi برای دانشمندان حتی بیشتر آشنا بود. فقط در مورد زمان (و دوباره) فکر کنید که انواع جدید هنگام انتشار واکسیناسیون ظاهر می شوند. آنفلوانزا مانند یک پسر عموی قلدر ، شبیه به یک جهش مداوم و غیرقابل پیش بینی عمل می کند. این امر باعث می شود که پیش روی بمانید و بنابراین طراحی واکسن های محافظ دشوارتر است.
برای کاهش این عدم اطمینان ، علوم کامپیوتر MIT و آزمایشگاه هوش مصنوعی (CSAIL) و کلینیک MIT عبدالطیف جامل ، برای یادگیری ماشین برای یادگیری انتخاب واکسن دقیق تر و کمتر وابسته به برآوردها است. آنها یک سیستم AI به نام Vaxseer ایجاد کردند که برای پیش بینی سویه های آنفولانزای غالب و شناسایی محافظ ترین نامزدهای واکسن قبل از ماهها طراحی شده است. این وسیله نقلیه از مدل های یادگیری عمیق آموزش داده شده بر روی آرایه های ویروسی اعشاری و نتایج آزمایشگاه آزمایشگاهی استفاده می کند تا چگونه ویروس آنفولانزا بتواند در واکسن ها واکنش نشان دهد و واکنش نشان دهد.
مدلهای تکامل سنتی اغلب تأثیر جهش اسید آمینه را به طور مستقل تجزیه و تحلیل می کنند. Wenxian SHI ، دانشجوی دکترا در گروه مهندسی برق و علوم رایانه ، توضیح می دهد: “Vaxseer یک مدل بزرگ زبان پروتئین را برای یادگیری رابطه بین حاکمیت و ترکیبی از حاکمیت جهش ها اتخاذ می کند.” “بر خلاف مدل های موجود در زبان پروتئین موجود که توزیع استاتیک انواع ویروسی را انجام می دهند ، ما از تغییر حاکمیت پویا استفاده می کنیم ، که باعث می شود آن را برای ویروس های به سرعت در حال توسعه مانند آنفولانزا مناسب تر کند.”
یکی گزارش دسترسی آزاد در مورد کار امروز منتشر شده است پزشکی طبیعت.
آینده آنفولانزا
Vaxseer دو پیش بینی اساسی دارد: یکی پیش بینی می کند که هر گونه ویروسی (حاکمیت) چقدر احتمال دارد و دیگری آنتی ژنی (آنتی ژن) است. آنها با هم ، نمره پوشش پیش بینی شده را تولید می کنند: یک اندازه گیری رو به جلو در مورد چگونگی عملکرد یک واکسن در برابر ویروس های آینده.
نمره نمره می تواند ۰ از یک منفی بی نهایت باشد. هرچه به نمره ۰ نزدیکتر شود ، واکسن با ویروس های در گردش و مسابقات آنتی ژن بهتر می شود. (شما می توانید این را به عنوان منفی نوعی “فاصله ..) تصور کنید
در یک مطالعه گذشته نگر ۱۰ ساله ، محققان پیشنهادات ارائه شده توسط سازمان بهداشت جهانی (WHO) را برای دو زیرگروه اصلی آنفولانزا از Vaxseer ارزیابی کردند: A/H3N2 و A/H1N1. برای A/H3N2 ، انتخاب های Vaxseer در نه از ۱۰ فصل بر اساس نمرات پوشش تجربی گذشته نگر (یک معیار پروکسی از فعالیت واکسن و نتایج آزمون محاسبه شده از نتایج آزمایش HI تجربی) عملکرد بهتری داشت. این تیم از آن برای ارزیابی گزینه های واکسن استفاده کرد ، زیرا این رویداد فقط برای واکسن های داده شده به جمعیت در دسترس بود.
برای A/H1N1 ، شش از ۱۰ فصل عملکرد بهتری نسبت به DSö یا همسان داشت. در یک وضعیت قابل توجه ، Vaxseer برای فصل GRIP 2016 اجباری را تعیین کرده است که توسط WHO تا سال بعد انتخاب نشده است. برآوردهای این مدل با برآورد فعالیت واکسن دنیای واقعی ، همانطور که توسط CDC ، شبکه نظارت بر تمرین کننده Sentinel کانادا و برنامه I-Move اروپا گزارش شده است ، همبستگی شدیدی نشان داده است. نمرات پوشش تجویز شده Vaxseer با داده های بهداشت عمومی در مورد بیماریهای مرتبط با آنفلوانزا و ویزیت های پزشکی که توسط واکسیناسیون پیشگیری می شود ، از نزدیک سازگار است.
بنابراین چگونه Vaxseer از این داده ها معنا می یابد؟ به طور شهودی ، این مدل ابتدا پیش بینی می کند که با استفاده از یک مدل زبان پروتئین ، با گذشت زمان چقدر سریع گسترش یافته و سپس با در نظر گرفتن رقابت بین سویه های مختلف ، حاکمیت آن را تعیین می کند.
آنها پس از محاسبه درک مدل خود ، بر اساس چیزی به نام معادلات دیفرانسیل معمولی به یک چارچوب ریاضی متصل می شوند تا در طول زمان پخش ویروسی را شبیه سازی کنند. برای آنتی ژنی ، سیستم تخمین می زند که یک خط واکسیناسیون خاص در یک آزمایش آزمایشگاهی مشترک به نام تست مهار هماگلوتیناسیون چگونه انجام خواهد داد. این اندازه گیری می کند که چگونه آنتی بادی ها می توانند اتصال گلبول های قرمز خون انسان به گلبول های قرمز خون انسان را مهار کنند ، که یک پروکسی معمولاً برای تطبیق/آنتی ژن آنتی ژن است.
تکامل من را پشت سر گذاشت
شی می گوید: “با الگوبرداری از چگونگی ایجاد ویروس ها و نحوه تعامل واکسن ها با آنها ، وسایل نقلیه هوش مصنوعی مانند Vaxseer می توانند به کارکنان بهداشت کمک کنند تا تصمیمات بهتر و سریع تری بگیرند و ممکن است یک قدم جلوتر در مسابقه بین عفونت و مصونیت باشند.
Vaxseer در حال حاضر روی پروتئین HA (Hemagglutin) ویروس آنفولانزا تمرکز دارد. نسخه های آینده ممکن است شامل عواملی مانند سایر پروتئین ها و تاریخ ایمنی ، محدودیت های تولید یا میزان دوز مانند NA (نورامینیداز) باشد. استفاده از سیستم در سایر ویروس ها به خوشه های داده بزرگ و با کیفیت بالا نیاز دارد که هم از تکامل ویروسی و هم پاسخهای ایمنی پیروی می کنند که به صورت عمومی باز نیستند. با این حال ، این تیم در حال حاضر در حال کار بر روی روشهایی است که می تواند تکامل ویروسی را در رژیم های کم دانش آموز ایجاد کند که بر اساس روابط بین خانواده های ویروسی ساخته شده است.
جام گفت: “با توجه به سرعت تکامل ویروسی ، توسعه درمانی موجود معمولاً پشت سر است. یام می گوید: Vaxseer تلاش ما برای تلاش ما است.
وی گفت: “این مقاله چشمگیر است ، اما آنچه من را هیجان زده می کند این است که کار تیم برای پیش بینی تکامل ویروسی در محیط های کم داده ، MC” استنتاج ها فراتر از آنفولانزا است. هر دو تصور می کنند که چگونه می توان باکتری های مقاوم به آنتی بیوتیک یا سرطانهای مقاوم به دارو را ایجاد کرد که به سرعت سازگار می شوند.
شی و بارزیلای مقاله را با جرمی Wohlwend ’16 ، Meng ’17 ، دکترا ’۲۵ و آخرین CSAIL متصل به Mengua Wu ’19 ، Meng ’20 ، Phd ’25 نوشتند. کار وی تا حدودی توسط آژانس کاهش تهدید دفاعی ایالات متحده و کلینیک MIT Jameel پشتیبانی شد.