Forecasting viral evolution from phylogenetic trees
Das Papier stellt antiGen vor, ein Modell des maschinellen Lernens, das phylogenetische Bäume nutzt, um zukünftige Virusmutationen bei mehreren Pathogenen, einschließlich SARS-CoV-2, Influenza und Dengue, präzise vorherzusagen und damit die Pandemiebereitschaft sowie die therapeutische Entwicklung zu verbessern.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Viren sind unerbittliche Gestaltwandler. Während sie sich in einem Wirt vermehren, machen sie winzige Kopierfehler in ihrem genetischen Code und erschaffen so neue Versionen ihrer selbst. Die meisten dieser Veränderungen bewirken nichts, aber gelegentlich verleiht eine Mutation dem Virus einen neuen Vorteil, wie etwa die Fähigkeit, sich schneller auszubreiten oder das Immunsystem zu umgehen. Diese ständige Evolution ist der Grund, warum eine Grippeschutzimpfung aus dem letzten Jahr Sie in diesem Jahr vielleicht nicht schützt und warum unerwartet neue Varianten von Krankheiten wie COVID-19 auftauchen können. Um diesen Bedrohungen zuvorzukommen, müssen Wissenschaftler vorhersagen, welche Veränderungen als Nächstes wahrscheinlich eintreten werden. Traditionell haben Forscher versucht, diese zukünftigen Mutationen zu erraten, indem sie untersuchten, wie Proteine im Labor reagieren, oder indem sie Computermodelle verwendeten, die riesige Bibliotheken bestehender genetischer Sequenzen analysieren. Diese Methoden haben jedoch oft Schwierigkeiten, das vollständige Bild davon zu erfassen, wie sich ein Virus tatsächlich durch Zeit und Populationen bewegt.
Ein Team von Forschern der Stanford University und des Arc Institute hat einen neuen Ansatz entwickelt, der die Familiengeschichte eines Virus betrachtet, um seine Zukunft vorherzusagen. Sie entwickelten ein maschinelles Lernmodell namens antiGen, das aus dem evolutionären Pfad eines Virus lernt, anstatt nur dessen aktuellen genetischen Code zu betrachten. Anstatt lediglich Sequenzen auswendig zu lernen, untersucht das Modell die spezifischen Schritte, die ein Virus unternommen hat, um von einer Version zur nächsten zu gelangen – ganz ähnlich wie ein Historiker, der die spezifischen Ereignisse studiert, die zu einem bedeutenden historischen Wandel führten. Durch die Analyse des „Stammbaums“ eines Virus – ein Diagramm, das darstellt, wie verschiedene Stämme miteinander verwandt sind und wann sie sich voneinander getrennt haben – lernt das Modell die Regeln kennen, die bestimmen, welche Mutationen als Nächstes wahrscheinlich auftreten werden. Diese Methode ermöglicht es dem System, Veränderungen vorherzusehen, die zuvor noch nie gesehen wurden, und bietet ein leistungsstarkes Werkzeug, um Impfstoffe und Behandlungen vorzubereiten, noch bevor eine neue Variante überhaupt verbreitet wird.
Die Forscher testeten dieses System zuerst am SARS-CoV-2-Virus, der Ursache der COVID-19-Pandemie. Sie speisten das Modell mit Millionen von genetischen Sequenzen, die im ersten Jahr der Pandemie gesammelt wurden, und baten es, die Mutationen vorherzusagen, die in den Folgejahren des Virus erscheinen würden. Das Modell schnitt besser ab als jede bestehende Methode bei der Vorhersage der nächsten wahrscheinlichen Veränderungen am Spike-Protein des Virus – jenem Teil des Virus, der es ihm ermöglicht, in menschliche Zellen einzudringen. Entscheidend war auch, dass es erfolgreich Mutationen vorhersagte, die in den Trainingsdaten nie beobachtet worden waren, was darauf hindeutet, dass es die zugrunde liegenden Prinzipien der viralen Evolution gelernt hatte, anstatt nur vergangene Ereignisse auswendig zu lernen. Um zu bestätigen, dass diese Vorhersagen biologisch real sind, erstellte das Team die vorhergesagten Virusvarianten in einem Labor. Sie fanden heraus, dass die meisten der computergenerierten Mutationen Viren erzeugten, die immer noch Zellen infizieren konnten, was bewies, dass das Modell lebensfähige, funktionale Veränderungen vorschlägt und keine zufälligen Fehler.
Der Erfolg von antiGen beschränkte sich nicht auf das Coronavirus. Das Team wandte dasselbe Modell auf drei andere häufige Viren an: die saisonale Influenza, das Respiratorische Synzytial-Virus (RSV) und das Dengue-Virus. Obwohl für diese Viren wesentlich weniger genetische Daten zur Verfügung standen als für SARS-CoV-2, übertraf das Modell dennoch die traditionellen Methoden bei der Vorhersage ihrer zukünftigen Mutationen. Dies deutet darauf hin, dass der Ansatz über ein breites Spektrum an Viren funktioniert, unabhängig davon, wie viel Überwachungsdaten zur Verfügung stehen. Die Forscher entdeckten auch, dass sich die Genauigkeit des Modells verbesserte, je mehr Daten gesammelt wurden, was bedeutet, dass es zu einem mächtigeren Werkzeug wird, je länger wir die virale Evolution verfolgen. In einigen Fällen schuf die Kombination der Vorhersagen des Modells mit bestehenden statistischen Methoden ein noch robusteres Vorhersagesystem, das sowohl datenreiche als auch datenarme Szenarien bewältigen kann.
Obwohl das Modell sehr genau darin ist, vorherzusagen, welche Mutationen wahrscheinlich auftreten werden, betonen die Forscher, dass es keine gefährlichen neuen Erreger erschafft. Die von ihm vorhergesagten Veränderungen sind kleine, einstufige Mutationen, die bereits Teil des natürlichen Evolutionsprozesses sind. Diese Vorhersagen sollen dazu dienen, die öffentliche Gesundheit und die Entwicklung von Impfstoffen einen Schritt voraus sein zu lassen. Durch das Wissen darüber, welche Mutationen wahrscheinlich entstehen werden, können Wissenschaftler Impfstoffe entwickeln, die nicht nur das heute zirkulierende Virus angreifen, sondern auch die Versionen, die morgen wahrscheinlich dominieren werden. Dieser proaktive Ansatz könnte das Management von Infektionskrankheiten transformieren, indem er den Fokus von der Reaktion auf Ausbrüche auf die Verhinderung von Ausbrüchen legt, bevor diese Fuß fassen können. Die Studie zeigt, dass wir, indem wir auf die Geschichte hören, die in der genetischen Codierung eines Virus geschrieben steht, beginnen können, seine Zukunft zu lesen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.