Todos os anos, os especialistas em saúde international enfrentam uma decisão de alto risco: quais cepas de influenza devem entrar na próxima vacina sazonal? A escolha deve ser feita com meses de antecedência, muito antes do início da temporada da gripe, e muitas vezes pode parecer uma corrida contra o relógio. Se as cepas selecionadas corresponderem às que circulam, a vacina provavelmente será altamente eficaz. Mas se a previsão estiver desativada, a proteção pode cair significativamente, levando a doenças (potencialmente evitáveis) e tensão nos sistemas de saúde.
Esse desafio se tornou ainda mais acquainted para os cientistas nos anos durante a pandemia Covid-19. Pense no tempo (e uma e outra vez), quando novas variantes surgiram no momento em que as vacinas estavam sendo lançadas. A influenza se comporta como um primo semelhante e barulhento, mutando constantemente e imprevisivelmente. Isso torna difícil ficar à frente e, portanto, mais difícil de projetar vacinas que permanecem protetoras.
Para reduzir essa incerteza, os cientistas do Laboratório de Ciência da Computação e Inteligência Synthetic do MIT (CSAIL) e a clínica MIT Abdul Latif Jameel para aprendizado de máquina em saúde se propuseram a tornar a seleção de vacinas mais precisa e menos dependente de suposições. Eles criaram um sistema de IA chamado VAXSEER, projetado para prever cepas de gripe dominantes e identificar os candidatos a vacinas mais protetores, meses antes do tempo. A ferramenta usa modelos de aprendizado profundo treinados em décadas de sequências virais e resultados dos testes de laboratório para simular como o vírus da gripe pode evoluir e como as vacinas responderão.
Os modelos tradicionais de evolução geralmente analisam o efeito de mutações únicas de aminoácidos de forma independente. “A Vaxseer adota um grande modelo de linguagem de proteínas para aprender a relação entre domínio e os efeitos combinatórios das mutações”, explica Wenxian Shi, estudante de doutorado no Departamento de Engenharia Elétrica e Ciência da Computação do MIT, pesquisador da CSAIL e principal autor de um novo artigo sobre o trabalho. “Ao contrário dos modelos de linguagem de proteínas existentes que assumem uma distribuição estática de variantes virais, modelamos mudanças de domínio dinâmico, tornando -a mais adequada para vírus em rápida evolução como a influenza”.
Um Relatório de acesso aberto sobre o estudo foi publicado hoje em Medicina da natureza.
O futuro da gripe
O VAXSEER possui dois motores de previsão do núcleo: um que estima a probabilidade de cada tensão viral se espalhar (domínio) e outro que estima quão efetivamente uma vacina neutralizará essa tensão (antigenicidade). Juntos, eles produzem uma pontuação de cobertura prevista: uma medida prospectiva de quão bem uma determinada vacina provavelmente se apresentará contra futuros vírus.
A escala da pontuação pode ser de um negativo infinito a 0. Quanto mais próxima a pontuação para 0, melhor a correspondência antigênica das cepas de vacina para os vírus circulantes. (Você pode imaginá -lo como o negativo de algum tipo de “distância”.)
Em um estudo retrospectivo de 10 anos, os pesquisadores avaliaram as recomendações de Vaxseer contra as feitas pela Organização Mundial da Saúde (OMS) para dois subtipos de gripe principais: A/H3N2 e A/H1N1. Para A/H3N2, as escolhas de Vaxseer superaram o Who’s em nove em cada 10 temporadas, com base em pontuações retrospectivas de cobertura empírica (uma métrica substituta da eficácia da vacina, calculada a partir da dominância observada a partir das estações passadas e resultados experimentais de teste HI). A equipe usou isso para avaliar as seleções de vacinas, pois a eficácia está disponível apenas para vacinas realmente dadas à população.
Para A/H1N1, ele superou ou combinou com a OMS em seis em cada 10 temporadas. Em um caso notável, para a temporada de gripes de 2016, Vaxseer identificou uma tensão que não foi escolhida pela OMS até o ano seguinte. As previsões do modelo também mostraram uma forte correlação com as estimativas de eficácia da vacina no mundo actual, conforme relatado pelo CDC, Rede de Vigilância do Practacional Sentinel do Canadá e pelo programa i-Transfer da Europa. Os escores de cobertura previstos de Vaxseer alinhados de perto com os dados de saúde pública sobre doenças relacionadas à gripe e visitas médicas impedidas pela vacinação.
Então, como exatamente o VAXSEER entende todos esses dados? Intuitivamente, o modelo primeiro estima a rapidez com que uma tensão viral se espalha ao longo do tempo usando um modelo de linguagem proteica e, em seguida, determina seu domínio, contabilizando a concorrência entre diferentes cepas.
Depois que o modelo calculou seus insights, eles estão conectados a uma estrutura matemática com base em algo chamado equações diferenciais comuns para simular a propagação viral ao longo do tempo. Para a antigenicidade, o sistema estima o desempenho de uma determinada cepa de vacina em um teste de laboratório comum chamado ensaio de inibição da hemaglutinação. Isso mede quão efetivamente os anticorpos podem inibir o vírus da ligação aos glóbulos vermelhos humanos, que é um proxy amplamente utilizado para correspondência/antigenicidade antigênica.
Ultrapassar a evolução
“Ao modelar como os vírus evoluem e como as vacinas interagem com elas, ferramentas de IA como a Vaxseer poderiam ajudar as autoridades de saúde a tomar decisões melhores e mais rápidas – e a ficar um passo à frente na corrida entre infecção e imunidade”, diz Shi.
Atualmente, o Vaxseer se concentra apenas na proteína HA (hemaglutinina) do vírus da gripe, o principal antígeno da influenza. Versões futuras podem incorporar outras proteínas como Na (neuraminidase) e fatores como história imunológica, restrições de fabricação ou níveis de dosagem. A aplicação do sistema a outros vírus também exigiria conjuntos de dados grandes e de alta qualidade que rastreiam respostas virais e imunes-dados que nem sempre nem sempre estão disponíveis ao público. A equipe, no entanto, está atualmente trabalhando nos métodos que podem prever a evolução viral em regimes de baixo information de dados que se baseiam nas relações entre famílias virais
“Dada a velocidade da evolução viral, o desenvolvimento terapêutico atual geralmente fica para trás. Vaxseer é nossa tentativa de recuperar o atraso”, diz Regina Barzilay, professora distinta da Escola de Engenharia de IA e saúde do MIT, líder da AI da clínica Jameel e investigador principal da CSAIL.
“Este artigo é impressionante, mas o que me excita talvez até o trabalho contínuo da equipe na previsão da evolução viral em ambientes de baixo information”, diz o professor assistente Jon Stokes, do Departamento de Bioquímica e Ciências Biomédicas da McMaster College, em Hamilton, Ontario. “As implicações vão muito além da influenza. Think about ser capaz de antecipar como as bactérias resistentes a antibióticos ou cânceres resistentes a drogas podem evoluir, os quais podem se adaptar rapidamente. Esse tipo de modelagem preditiva abre uma nova maneira de pensar sobre como as doenças se tornam uma mudança para uma oportunidade.
Shi e Barzilay escreveram o artigo com o MIT Csail PostDoc Jeremy Wohlwend ’16, Meng ’17, PhD ’25 e recente afiliada da CSAIL Menghua Wu ’19, Meng ’20, PhD ’25. O trabalho deles foi apoiado, em parte, pela agência de redução de ameaças de defesa dos EUA e pela MIT Jameel Clinic.