Машинное обучение в разработке вакцины от COVID-19
Ученые из Janssen Research & Development, разработчики вакцины Johnson & Johnson–Janssen от COVID-19, использовали реальные данные и, сотрудничая с исследователями MIT, применили искусственный интеллект и машинное обучение для помощи в исследованиях.
"Наука о данных и машинное обучение могут быть использованы для расширения научного понимания болезни", — говорит Нажат Хан, главный специалист по науке о данных в Janssen R&D. Для COVID-19 эти инструменты стали особенно важны из-за ограниченных первоначальных знаний.
Для подготовки клинических исследований вакцины-кандидата команда Хан искала партнеров для прогнозного моделирования, чтобы определить ключевые места для испытаний. Через профессора MIT Реджину Барзилай Хан связалась с Димитрисом Берцимасом, профессором MIT, который разработал ведущую модель машинного обучения для отслеживания распространения COVID-19.
Модель DELPHI
В марте 2020 года группа Берцимаса из более чем 25 студентов создала платформу COVIDAnalytics. Одним из первых проектов стала эпидемиологическая модель DELPHI, прогнозирующая уровень инфицирования и смертности по штатам США на основе политических решений.
DELPHI основана на стандартной модели SEIR (восприимчивые, подвергшиеся воздействию, инфицированные, выздоровевшие), но расширена до системы с 11 возможными состояниями. Это позволяет учитывать реалистичные эффекты пандемии, например, разницу в продолжительности госпитализации между выздоровевшими и умершими.
Ключевое нововведение модели — учет поведения людей в ответ на меры (локдауны, ношение масок, дистанцирование) и их влияния на уровень заражения. К лету 2020 года модель, дополненная этими данными, стала еще точнее.
DELPHI делает ежедневные прогнозы для 120 стран и всех 50 штатов США.
Вакцина для сегодняшней пандемии
Способность определять следующие вспышки COVID-19 оказалась критически важной для успеха клинических испытаний Janssen, которые были "основаны на событиях" (эффективность оценивается по количеству случаев заболевания в исследуемой популяции).
"Чтобы провести такое крупное испытание, важно выйти в "горячие точки", где ожидается высокая передача вируса. Это позволяет быстрее накопить события, ускорить испытания, вывести вакцину на рынок и получить богатый набор данных для статистически обоснованного анализа", — объясняет Хан.
Команда MIT (Майкл Ли, Омар Скали Лами и другие) начала сотрудничать с Janssen в мае 2020 года, чтобы спрогнозировать места будущих всплесков случаев за 4 месяца до начала испытаний в сентябре. Команды встречались ежедневно.
Ученые Janssen создали глобальную панель мониторинга, собирающую данные по странам, штатам и округам: число случаев, госпитализации, смертность, уровень тестирования. Модель DELPHI интегрировала эти данные с информацией о локальной политике и поведении, делая 300–400 ежедневных прогнозов.
Подавляющее большинство мест клинических испытаний, которые DELPHI предсказала как "горячие точки", в итоге имели чрезвычайно высокое число случаев, включая Южную Африку и Бразилию, где к началу испытаний появились новые варианты вируса.
"Все прогнозы модели общедоступны. Она показала себя одной из самых точных моделей, созданных научным сообществом", — говорит Берцимас.
"Благодаря этой модели у нас был очень богатый данными пакет на момент подачи заявки на вакцину-кандидат. У нас были клинические данные по Южной Африке и Бразилии. Это стало критически важным, потому что мы смогли разработать вакцину, актуальную для сегодняшних потребностей и пандемии, состоящей из множества вариантов", — говорит Хан.
Модель DELPHI также была доработана с учетом разнообразия: биологических факторов риска, демографии пациентов. Это позволило провести одно из самых разнообразных на сегодня испытаний COVID-19 с точки зрения расы, этнической принадлежности и пола участников.
В апреле 2021 года команды MIT и Janssen R&D получили Премию за инновационные приложения в аналитике 2021 года от Института исследования операций и наук об управлении (INFORMS). Команды продолжают сотрудничество для применения своего подхода, основанного на данных, в борьбе с другими инфекционными заболеваниями.