Une nouvelle étude montre que l'intelligence artificielle peut battre des méthodes traditionnelles pour cueillir des souches de vaccin contre la grippe, offrant un moyen de stimuler l'efficacité et de réduire le fardeau mondial de la grippe.
Étude: Sélection de la souche vaccinale de la grippe avec un modèle évolutif et antigénicité à base d'IA. Crédit d'image: PreciousJ / Shutterstock.com
Un article récent dans Médecine de la nature Explore comment l'intelligence artificielle pourrait aider à sélectionner de meilleures correspondances entre les candidats au vaccin contre la grippe. Le virus de la grippe subit un changement génétique et phénotypique rapide d'une saison à l'autre. Par conséquent, la vaccination contre la grippe a été en moyenne inférieure à 40% entre 2012 et 2021. L'efficacité du vaccin fait référence à la réduction des chances de grippe parmi ceux qui ont obtenu leurs photos de grippe par rapport à ceux qui ne l'ont pas fait.
Introduction
L'Organisation mondiale de la santé (OMS) sélectionne actuellement les souches optimales du vaccin contre la grippe pour chaque saison de la grippe à venir pour obtenir la meilleure efficacité du vaccin. Divers organismes, comme les Centers for Disease Control and Prevention (CDC) et les réseaux de surveillance en Europe et au Canada, analysent ces données après la saison sur la base des patients atteints de grippe qui nécessitaient des soins médicaux.
Lorsque la tension de l'OMS est bien appariée avec les antigènes des souches circulantes, l'efficacité du vaccin peut atteindre 40% à 60% au cours de cette saison. Cependant, le CDC a signalé une faible efficacité (<40%) dans la moitié des années entre 2012 et 2021, en moyenne entre les groupes d'âge et les sous-types. En 2014-2015, par exemple, il s'élevait à 19%. Une faible efficacité du vaccin est associée à des taux d'hospitalisation plus élevés pour la grippe.
Les vaccins de grippe inactivés prennent environ 6 à 9 mois à produire, nécessitant la sélection des souches de vaccin les plus pertinentes avant chaque saison de grippe. Les décalages sont courants, mais les méthodes de prédiction expérimentale ne sont ni rentables ni réalisables en raison d'échantillons viraux inadéquats.
La présente étude représente une nouvelle tentative de prédire les correspondances antigéniques entre les souches du vaccin contre le virus de la grippe. Il s'agit d'un besoin de base pour tout vaccin contre la grippe efficace. Une telle correspondance est basée sur deux aspects: la distribution du génotype viral au cours d'une saison de grippe donnée, qui révèle la souche dominante à l'époque, et l'antigénicité de chaque vaccin (la façon dont les anticorps induits par le vaccin inhibent une souche virale donnée).
Cette étude a généré des «scores de couverture» pour mesurer la correspondance antigénique d'un vaccin. Ce score reflète, en moyenne, dans la façon dont les anticorps vaccinaux contre-antigènes sur plusieurs souches circulantes, ajustées pour la domination relative de chaque déformation.
Les chercheurs ont examiné dix ans de séquences virales et de données antigénités dans une analyse rétrospective utilisant leur plate-forme, Vaxseer. Ce modèle d'apprentissage automatique est formé pour prédire le candidat du vaccin avec le score de couverture le plus élevé.
Le modèle utilise l'ensemble de données des séquences de protéines virales au cours des saisons antérieures et des années pour comprendre comment les mutations des séquences d'hémagglutinine affectent le changement de dominance. Sur la base de cela, il prédit la souche circulante dominante pour la saison à venir. Contrairement à la stratégie rigide utilisée dans les études épidémiologiques conventionnelles, il utilise une approche nuancée des mutations dans les séquences codant pour les protéines.
En apparentissage prévu à la domination réelle, les chercheurs ont formé deux modèles de langage qui paramétrirent une équation différentielle ordinaire (ODE) pour capturer des changements dynamiques dans la domination de la déformation au fil du temps. Le changement de domination est associé à une estimation du taux de changement, permettant au modèle de prédire quelle déformation sera dominante à un moment d'intérêt.
De plus, le modèle prédit l'adaptation de l'antigénicité entre les souches du vaccin et le virus circulant sans avoir besoin d'expériences réelles d'antigénicité.
La présente étude s'est concentrée sur deux sous-types de virus: A / H3N2 et A / H1N1. Le modèle a été utilisé pour estimer le score de couverture pour divers candidats vaccinaux. Cela a ensuite été comparé à l'efficacité réelle du vaccin et à l'estimation du CDC de la réduction de la charge des maladies cliniques aux États-Unis en raison des vaccins.
Résultats de l'étude
L'étude a montré que Vaxseer prédisait systématiquement les souches de vaccination avec de meilleures correspondances antigéniques pour les souches circulantes, par rapport à la recommandation de l'OMS. En utilisant des scores de couverture empirique, Vaxseer a surpassé la recommandation de l'OMS en six des 10 ans pour H1N1 et neuf des 10 ans pour H3N2.
Au cours de la décennie de l'étude, le modèle Vaxseer a sélectionné la meilleure souche vaccinale en sept ans pour H1N1 et cinq ans pour la souche H3N2. À l'inverse, la souche recommandée par l'OMS ne correspondait à la meilleure souche antigénique que trois fois au cours de ces dix années pour H1N1 et n'a pas réussi à le faire pour H3N2.
Fait intéressant, plusieurs souches de candidats vaccinales ont des scores de couverture plus élevés que le sous-ensemble testé jusqu'à présent. « Cela met en évidence la possibilité qu'il existe des souches de vaccinations encore plus efficaces en attendant d'être découvertes. «
Contrairement à la recommandation de l'OMS, Vaxseer se concentre sur la souche vaccinale qui inhibe efficacement la plupart des souches circulantes, en particulier celles activement en expansion.
Le score de couverture prévu était bien en corrélation avec l'efficacité du vaccin estimé par le CDC, le i-move (Europe) et le SPSN (Canada), et avec une réduction de la charge de grippe clinique après la vaccination.
Conclusions
Les modèles d'apprentissage automatique sont prometteurs dans la sélection des candidats vaccinaux à forte correspondance antigénique, associés à une efficacité des vaccins plus élevée et à une charge de maladie plus faible dans la vie réelle.
Même si la présente étude s'est concentrée sur la simple correspondance de la dominance antigénicité pour l'efficacité des vaccins et n'a pas considéré d'autres influences telles que les antécédents immunitaires ou les méthodes de production de vaccins, les résultats mettent l'accent sur l'utilité potentiellement forte de cette plate-forme dans la sélection des souches de vaccin contre la grippe.
Théoriquement, ce modèle pourrait prédire les scores de couverture pour tout vaccin. Cependant, cela nécessitera une validation rigoureuse lorsqu'elle sera appliquée aux vaccins très différents de ceux utilisés pour former ces modèles.
Les auteurs soulignent que Vaxseer n'est pas destiné à remplacer le processus de l'OMS, mais à servir d'outil de dépistage sélectif complémentaire qui peut prioriser les souches vaccinales avant la validation de laboratoire à forte intensité de ressources.
Dans l'ensemble, « Cette étude met en valeur le potentiel de l'apprentissage automatique pour aider les humains dans la découverte de vaccins plus efficaces. «
Téléchargez votre copie PDF maintenant!
