Подготовка к будущим вариантам коронавируса с помощью искусственного интеллекта

SARS-CoV-2 постоянно мутирует, и каждый новый вариант часто застает мир врасплох. Например, высокомутировавший вариант "омикрон", появившийся в ноябре, потребовал от властей разработки стратегии быстрого реагирования, хотя изначально не было ответов на важные вопросы: насколько защищены вакцинированные и переболевшие люди от нового варианта? И остаются ли антительные терапии эффективными против этой новой версии вируса?

Исследователи под руководством профессора Саи Редди из Департамента биосистемных наук и инженерии ETH Zurich в Базеле разработали способ использования искусственного интеллекта для ответа на такие вопросы, потенциально даже в реальном времени сразу после появления нового варианта. Их результаты опубликованы в Cell.

Изучение множества потенциальных вариантов

Поскольку вирусы мутируют случайным образом, никто не может точно знать, как SARS-CoV-2 будет эволюционировать в ближайшие месяцы и годы и какие варианты будут доминировать в будущем. Теоретически практически нет предела тому, как может мутировать вирус. Это справедливо даже для небольшого региона вируса: спайкового белка SARS-CoV-2, который важен для заражения и распознавания иммунной системой. Только в этом регионе существуют десятки миллиардов теоретически возможных мутаций.

Новый метод использует комплексный подход: для каждого варианта из этого множества потенциальных вирусных вариантов он предсказывает, способен ли он инфицировать человеческие клетки и будет ли нейтрализован антителами, вырабатываемыми иммунной системой вакцинированных и переболевших людей. С высокой вероятностью среди всех этих потенциальных вариантов скрывается тот, который будет доминировать на следующем этапе пандемии COVID-19.

Синтетическая эволюция и машинное обучение

Чтобы создать свой метод, Редди и его команда использовали лабораторные эксперименты для генерации большой коллекции мутировавших вариантов спайкового белка SARS-CoV-2. Ученые не производили и не работали с живым вирусом, а производили только часть спайкового белка, поэтому опасности утечки из лаборатории не было.

Спайковый белок взаимодействует с белком ACE2 на человеческих клетках для заражения, а антитела от вакцинации, инфекции или терапии работают, блокируя этот механизм. Многие мутации в вариантах SARS-CoV-2 происходят в этом регионе, что позволяет вирусу уклоняться от иммунной системы и продолжать распространяться.

Хотя коллекция проанализированных исследователями мутировавших вариантов составляет лишь небольшую часть из нескольких миллиардов теоретически возможных вариантов — которые было бы невозможно протестировать в лабораторных условиях — она содержит миллион таких вариантов. Они несут различные мутации или комбинации мутаций.

Проведя высокопроизводительные эксперименты и секвенировав ДНК этих миллиона вариантов, исследователи определили, насколько успешно эти варианты взаимодействуют с белком ACE2 и с существующими антительными терапиями. Это указывает на то, насколько хорошо отдельные потенциальные варианты могут инфицировать человеческие клетки и насколько хорошо они могут ускользать от антител.

Исследователи использовали собранные данные для обучения моделей машинного обучения, которые способны выявлять сложные закономерности и, получив только последовательность ДНК нового варианта, точно предсказывать, может ли он связываться с ACE2 для заражения и ускользать от нейтрализующих антител. Окончательные модели машинного обучения теперь можно использовать для таких прогнозов для десятков миллиардов теоретически возможных вариантов с единичными и комбинаторными мутациями, выходя далеко за рамки миллиона, протестированных в лаборатории.

Терапия антителами следующего поколения

Новый метод поможет в разработке терапии антителами следующего поколения. Несколько таких препаратов на основе антител были разработаны для лечения исходного вируса SARS-CoV-2 и одобрены к применению в США и Европе. Среди них пять препаратов антител были исключены из клинического использования, а многие другие, находившиеся в стадии клинической разработки, были прекращены, потому что они больше не могли нейтрализовать вариант "омикрон". Чтобы решить эту проблему, новый метод может быть применен для определения того, какие антитела обладают наиболее широкой активностью.

«Машинное обучение может поддержать разработку препаратов на основе антител, позволяя исследователям определить, какие антитела потенциально могут быть наиболее эффективными против текущих и будущих вариантов», — говорит Редди. Исследователи уже работают с биотехнологическими компаниями, разрабатывающими терапии антителами следующего поколения против COVID-19.

Выявление вариантов, способных ускользнуть от иммунитета

Кроме того, метод, разработанный в ETH Zurich, может быть применен для поддержки разработки вакцин против COVID-19 следующего поколения. Основное внимание здесь уделяется выявлению вариантов вируса, которые все еще связываются с белком ACE2 — и, следовательно, могут инфицировать человеческие клетки — но не могут быть нейтрализованы антителами, присутствующими у вакцинированных и переболевших людей. Другими словами, вариантов, которые могут ускользнуть от иммунного ответа человека. Именно это произошло с вариантом "омикрон", который ускользнул от большинства антител и этой зимой привел ко многим прорывным инфекциям у вакцинированных и ранее инфицированных людей. Поэтому, как и в случае с терапией антителами, большое преимущество было бы, если бы вакцины могли индуцировать антитела, обеспечивающие защиту от потенциальных будущих вирусных вариантов.

«Конечно, никто не знает, какой вариант SARS-CoV-2 появится следующим, — говорит Редди. — Но что мы можем сделать, так это определить ключевые мутации, которые могут присутствовать в будущих вариантах, а затем работать над разработкой вакцин заранее, которые обеспечивают более широкий спектр защиты от этих потенциальных будущих вариантов».

Более быстрое принятие решений для общественного здравоохранения

Наконец, этот метод машинного обучения также может поддержать общественное здравоохранение, поскольку при появлении нового варианта он может быстро делать прогнозы относительно того, будут ли эффективны антитела, вырабатываемые существующими вакцинами. Таким образом, он может ускорить процесс принятия решений, связанных с вакцинацией. Например, может оказаться, что люди, получившие конкретную вакцину, вырабатывают антитела, которые неэффективны против нового варианта, и поэтому им следует как можно скорее получить бустерные прививки.

Редди отмечает, что технология также может быть адаптирована для других циркулирующих вирусов, таких как грипп, поскольку прогнозирование будущих вариантов гриппа может поддержать разработку сезонных противогриппозных вакцин.