Машинное обучение может привести к созданию более эффективных вакцин против гриппа

Прочитано: 201 раз(а)


Группа ученых из Школы экологии Одума при Университете Джорджии разработала алгоритм, который может точно предсказать, как будет развиваться сезонный вирус гриппа. Такая информация может позволить быстрее обновлять вакцины против сезонного гриппа, что приведет к снижению числа случаев заражения и смертности.

Опубликованное в журнале Proceedings of the Royal Society B: Biological Sciences исследование описывает инструмент машинного обучения под названием Novel Influenza Virus A Detector (NIAViD), который предсказывает изменения в сезонном вирусе гриппа с точностью почти 73%. Альфа Форна, научный сотрудник-постдокторант в Школе Одума, руководил разработкой NIAViD, который использует данные о последовательности вируса гриппа, чтобы понять, как новые вирусы, как ожидается, обойдут существующий иммунитет в популяции.

Ежегодно сезонные вирусы гриппа по всему миру заражают 1 миллиард человек, и большинство из предполагаемых 500 000 смертей — это маленькие дети в развивающихся странах. В Соединенных Штатах ежегодно заражаются миллионы американцев, и тысячи умирают. Прогнозируемая годовая стоимость сезонных инфекций составляет около 90 миллиардов долларов только в Соединенных Штатах.

По словам Форны, одной из проблем профилактики сезонных гриппозных инфекций является прогнозирование ожидаемых изменений вируса гриппа.

«У каждого вируса гриппа, который мы называем инфлюэнцей, есть белок гемагглютинин, который инициирует инфекцию , когда он прикрепляется к клеткам. Во время инфекции вирусы гриппа начинают размножаться, и по мере этого происходят небольшие генетические изменения белка гемагглютинина, которые мы называем антигенным дрейфом », — сказал он.

«Некоторые из этих изменений могут сделать вирус гриппа нераспознаваемым для нашей иммунной системы . Это означает, что даже если кто-то ранее перенес грипп или получил вакцину , он все равно может быть инфицирован вирусом гриппа, у которого белок гемагглютинина несколько изменился».

Машинное обучение, метод программирования компьютеров для самостоятельного обучения, становится все более важным инструментом в области исследований моделирования инфекционных заболеваний. Форна потратил два года на создание системы NIAViD, получая доступ и осмысливая большие наборы данных и обучая модели для точных прогнозов. Он и его коллеги разработали определенный набор алгоритмов, которые были предназначены для анализа аминокислотных последовательностей в области гена белка гемагглютинина и нескольких связанных свойств, которые количественно определяют признаки, например, электростатический заряд вируса.

После обучения модели на подмножестве данных ее точность составила почти 73%, что равно или превышает показатели других моделей. Сосредоточившись на ключевых свойствах, NIAViD точно определяет антигенные изменения, помогая своевременно обновлять вакцины от гриппа.

NIAViD был разработан вокруг вируса гриппа, который впервые появился во время пандемии 1968 года, начавшейся в Гонконге. После того, как этот вирус начал циркулировать среди населения мира, лаборатории по всему миру начали тестировать собранные вирусы, чтобы понять, как они реагируют на антитела, которые, как известно, защищают людей от инфекций. По мере обнаружения вирусов, иммунных либо к антителам, либо к вакцинам, в конечном итоге были идентифицированы кластерные группы, и это привело к раннему прогностическому моделированию, которое помогло производителям вакцин сосредоточить свои усилия на появляющихся линиях гриппа.

Соавтор Джастин Бал, профессор Колледжа ветеринарной медицины Университета Джорджии, сказал, что эти ранние исследовательские проекты сыграли важную роль в разработке вакцин.

«Кластеризация вирусов гриппа в определенные группы для понимания уровня их иммунитета к вакцинам была новаторской», — сказал он. «Однако это исследование основывалось на методологии вирусного надзора, которая является трудоемкой, занимает много времени и может быть ненадежной. Мы считали, что более быстрый и точный метод прогнозирования появления сезонных вирусов гриппа может быть реализован с использованием алгоритма машинного обучения инфекционных заболеваний».

По словам профессора Джона Дрейка, директора Центра экологии инфекционных заболеваний, успех NIAViD открывает многочисленные возможности для дальнейших исследований.

«Его способность быстро определять антигенные варианты может поддержать текущую разработку вакцин против гриппа, укрепляя готовность и способность общественного здравоохранения реагировать на сезонный грипп», — сказал он. «Интеграция NIAViD в системы надзора позволит производителям опережать вирусную эволюцию, гарантируя, что вакцины нацелены на самые современные штаммы».

Год рождения влияет на иммунитет к различным штаммам гриппа 



Новости партнеров