Forberedelse til fremtidige coronavirus-varianter ved hjælp af kunstig intelligens

SARS-CoV-2 muterer konstant, og hver ny variant overrasker ofte verden. Tag for eksempel den stærkt muterede omicron-variant, der dukkede op i november sidste år og krævede, at sundhedsmyndighederne udviklede en hurtig reaktionsstrategi, selvom der i første omgang ikke var svar på vigtige spørgsmål:Hvor beskyttet er vaccinerede og tidligere inficerede mennesker mod den nye variant? Og er antistofterapier stadig effektive mod denne nye version af virussen?

Forskere ledet af professor Sai Reddy fra Institut for Biosystemvidenskab og Teknik ved ETH Zürich i Basel har nu udviklet en måde at bruge kunstig intelligens til at besvare sådanne spørgsmål, potentielt endda i realtid umiddelbart efter, at en ny variant dukker op. Deres resultater offentliggøres i Cell .

Udforsker de mange potentielle varianter

Da vira muterer tilfældigt, kan ingen vide præcis, hvordan SARS-CoV-2 vil udvikle sig i de kommende måneder og år, og hvilke varianter der vil dominere i fremtiden. I teorien er der praktisk talt ingen grænser for, hvordan en virus kan mutere. Og dette er tilfældet, selv når man overvejer en lille region af virussen:SARS-CoV-2-spidsproteinet, som er vigtigt for infektion og påvisning af immunsystemet. Alene i denne region er der titusinder af milliarder af teoretisk mulige mutationer.

Det er derfor, den nye metode tager en omfattende tilgang:For hver variant i dette væld af potentielle virale varianter forudsiger den, om den er i stand til at inficere menneskeceller eller ej, og om den vil blive neutraliseret af antistoffer produceret af immunsystemet fundet i vaccinerede og genvundne personer. Det er højst sandsynligt, at skjult blandt alle disse potentielle varianter er den, der vil dominere næste fase af COVID-19-pandemien.

Syntetisk evolution og maskinlæring

For at etablere deres metode brugte Reddy og hans team laboratorieeksperimenter til at generere en stor samling af muterede varianter af SARS-CoV-2 spike-proteinet. Forskerne producerede eller arbejdede ikke med levende virus, snarere producerede de kun en del af spidsproteinet, og derfor var der ingen fare for en laboratorielækage.

Spikeproteinet interagerer med ACE2-proteinet på humane celler til infektion, og antistoffer fra vaccination, infektion eller antistofterapi virker ved at blokere denne mekanisme. Mange af mutationerne i SARS-CoV-2-varianter forekommer i denne region, hvilket gør det muligt for virussen at undslippe immunsystemet og fortsætte med at sprede sig.

Selvom samlingen af ​​muterede varianter, forskerne har analyseret, kun omfatter en lille brøkdel af de adskillige milliarder teoretisk mulige varianter - som ville være umulige at teste i laboratoriemiljøer - indeholder den en million sådanne varianter. Disse bærer forskellige mutationer eller kombinationer af mutationer.

Ved at udføre high-throughput eksperimenter og sekventere DNA'et fra disse millioner varianter, bestemte forskerne, hvor vellykket disse varianter interagerer med ACE2-proteinet og med eksisterende antistofterapier. Dette angiver, hvor godt de individuelle potentielle varianter kunne inficere humane celler, og hvor godt de kunne undslippe antistoffer.

Forskerne brugte de indsamlede data til at træne maskinlæringsmodeller, som er i stand til at identificere komplekse mønstre, og når de gives, kunne kun DNA-sekvensen af ​​en ny variant præcist forudsige, om den kan binde til ACE2 for infektion og undslippe neutraliserende antistoffer. De endelige maskinlæringsmodeller kan nu bruges til at lave disse forudsigelser for titusindvis af milliarder af teoretisk mulige varianter med enkelte og kombinatoriske mutationer og går langt ud over den million, der blev testet i laboratoriet.

Næste generations antistofterapi

Den nye metode vil hjælpe med at udvikle den næste generation af antistofterapier. Adskillige af sådanne antistoflægemidler blev udviklet til at behandle den originale SARS-CoV-2-virus og godkendt til brug i USA og Europa. Blandt disse blev fem antistoflægemidler fjernet fra klinisk brug, og mange andre under klinisk udvikling blev afbrudt, fordi de ikke længere kunne neutralisere omicron-varianten. For at løse denne udfordring kan den nye metode anvendes til at identificere, hvilke antistoffer der har den bredeste aktivitet.

"Maskinlæring kunne understøtte udvikling af antistoflægemidler ved at gøre det muligt for forskere at identificere, hvilke antistoffer der har potentialet til at være mest effektive mod nuværende og fremtidige varianter," siger Reddy. Forskerne arbejder allerede med bioteknologiske virksomheder, der udvikler næste generation af COVID-19-antistofterapier.

Identifikation af varianter, der kan undslippe immunitet

Derudover kunne metoden udviklet på ETH Zürich anvendes til at understøtte udviklingen af ​​næste generation af COVID-19-vacciner. Fokus her er på at identificere virusvarianter, der stadig binder til ACE2-proteinet - og derfor kan inficere humane celler - men som ikke kan neutraliseres af de antistoffer, der findes i vaccinerede og raske mennesker. Med andre ord varianter, der kan undslippe det menneskelige immunrespons. Det var faktisk tilfældet med omicron-varianten, der slap fra de fleste antistoffer og i vinter resulterede i mange gennembrudsinfektioner hos vaccinerede og tidligere smittede. Derfor er det i lighed med antistofterapier en stor fordel, hvis vacciner kunne inducere antistoffer, der giver beskyttelse mod potentielle fremtidige virale varianter.

"Selvfølgelig ved ingen, hvilken variant af SARS-CoV-2 der vil dukke op næste gang," siger Reddy. "Men det, vi kan gøre, er at identificere nøglemutationer, der kan være til stede i fremtidige varianter, og derefter arbejde på at udvikle vacciner på forhånd, der giver en bredere vifte af beskyttelse mod disse potentielle fremtidige varianter."

Hurtigere beslutningstagning for folkesundheden

Endelig kan denne maskinlæringsmetode også understøtte folkesundheden, da når en ny variant dukker op, kan den hurtigt komme med forudsigelser om, hvorvidt antistoffer produceret af eksisterende vacciner vil være effektive. På denne måde kan det fremskynde beslutningsprocessen i forbindelse med vaccinationer. Det kan for eksempel være, at personer, der har modtaget en bestemt vaccine, producerer antistoffer, der ikke er effektive mod en ny variant, og derfor bør have boostervaccinationer hurtigst muligt.

Reddy påpeger, at teknologien også kunne tilpasses til andre cirkulerende vira, såsom influenza, da forudsigelse af fremtidige influenzavarianter kan understøtte udviklingen af ​​sæsonbestemte influenzavacciner. + Udforsk yderligere

Kraftfuldt nyt antistof neutraliserer alle kendte SARS-CoV-2-varianter