Исследование эволюции штаммов гриппа может помочь в разработке вакцин
Исследователи из Университета Саймона Фрейзера, изучая эволюционную историю вирусов гриппа, обнаружили, что новый количественный анализ их эволюции может помочь предсказать будущие штаммы. Исследование основано на области филогенетики и опубликовано в журнале Science Advances.
Учёные использовали большие филогенетические «деревья», чтобы предсказать, какие штаммы с наибольшей вероятностью будут распространяться в предстоящем сезоне гриппа. Они установили, что этот подход умеренно эффективен для обнаружения будущих штаммов вируса гриппа и может стать ещё одним инструментом для разработки сезонных вакцин.
«Пандемия COVID-19 вызвала значительные изменения в динамике передачи гриппа. Мы изучили, как машинное обучение может идентифицировать последовательности вируса гриппа, которые являются потенциально хорошими кандидатами для включения в сезонные вакцины», — говорит профессор математики и глава кафедры исследований Канады Каролин Колейн.
Для успеха вакцинации конкретные вирусы, включённые в сезонные вакцины, должны быть похожи на те, которые будут циркулировать в предстоящем сезоне. Эффективность сезонных вакцин варьируется (например, от 25 до 75% у детей) и зависит от соответствия циркулирующих штаммов прогнозируемым.
Исследователи изучили филогенетические деревья (по сути, генеалогическое древо вируса гриппа), используя данные из GISAID (Global Initiative on Sharing Avian Influenza Data). Создав филогении на основе более 65 000 РНК-последовательностей поверхностных белков гриппа, собранных в период с 1970 по 2020 год, они использовали особенности этих деревьев для выявления штаммов, которые, вероятно, будут расти в численности в следующем сезоне.
Сезонная вакцина предназначена для защиты от распространённых вирусов гриппа, включая H3N2, H1N1 и B. Данное исследование было сосредоточено конкретно на подтипе H3N2.
«Мы смогли определить кандидатные штаммы, аналогичные предложенным Всемирной организацией здравоохранения, что позволяет предположить, что этот подход машинного обучения может помочь в выборе штаммов для вакцин», — отмечает Колейн.