Forecasting viral evolution from phylogenetic trees
El artículo presenta antiGen, un modelo de aprendizaje automático que aprovecha los árboles filogenéticos para pronosticar con precisión futuras mutaciones virales en múltiples patógenos, incluyendo el SARS-CoV-2, la influenza y el dengue, mejorando así la preparación ante pandemias y el desarrollo terapéutico.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo
Los virus son camaleones implacables. A medida que se multiplican dentro de un huésped, cometen diminutos errores de copia en su código genético, creando nuevas versiones de sí mismos. La mayoría de estos cambios no hacen nada, pero ocasionalmente, una mutación le otorga al virus una nueva ventaja, como la capacidad de propagarse más rápido o evadir el sistema inmunológico. Esta evolución constante es la razón por la cual una vacuna contra la gripe del año pasado podría no protegerle este año, y por la cual pueden surgir nuevas variantes de enfermedades como el COVID-19 de forma inesperada. Para mantenerse por delante de estas amenazas, los científicos necesitan predecir qué cambios es probable que ocurran después. Tradicionalmente, los investigadores han intentado adivinar estas mutaciones futuras estudiando cómo se comportan las proteínas en un laboratorio o mediante el uso de modelos informáticos que analizan vastas bibliotecas de secuencias genéticas existentes. Sin embargo, estos métodos suelen tener dificultades para ver el panorama completo de cómo un virus se desplaza realmente a través del tiempo y las poblaciones.
Un equipo de investigadores de la Universidad de Stanford y del Instituto Arc ha desarrollado un nuevo enfoque que observa la historia familiar de un virus para predecir su futuro. Crearon un modelo de aprendizaje automático llamado antiGen, que aprende de la trayectoria evolutiva de un virus en lugar de limitarse a su código genético actual. En lugar de simplemente memorizar secuencias, el modelo estudia los pasos específicos que un virus dio para pasar de una versión a otra, de forma muy similar a un historiador que estudia los eventos específicos que condujeron a un gran cambio histórico. Al analizar el "árbol genealógico" de un virus —un diagrama que mapea cómo están relacionadas las diferentes cepas y cuándo divergieron—, el modelo aprende las reglas que gobiernan qué mutaciones es probable que aparezcan después. Este método permite al sistema anticipar cambios que nunca se han visto antes, ofreciendo una herramienta poderosa para preparar vacunas y tratamientos incluso antes de que una nueva variante se propague.
Los investigadores probaron este sistema primero con el SARS-CoV-2, la causa de la pandemia de COVID-19. Alimentaron al modelo con millones de secuencias genéticas recolectadas durante el primer año de la pandemia y le pidieron que predijera las mutaciones que aparecerían en los años posteriores. El modelo funcionó mejor que cualquier método existente para pronosticar los próximos cambios probables en la proteína de espiga del virus, la parte que le permite entrar en las células humanas. Crucialmente, también tuvo éxito al predecir mutaciones que nunca habían sido observadas en los datos de entrenamiento, lo que sugiere que había aprendido los principios subyacentes de la evolución viral en lugar de simplemente memorizar eventos pasados. Para confirmar que estas predicciones eran biológicamente reales, el equipo creó las variantes virales predichas en un laboratorio. Descubrieron que la mayoría de las mutaciones generadas por computadora producían virus que aún podían infectar células, demostrando que el modelo estaba proponiendo cambios viables y funcionales en lugar de errores aleatorios.
El éxito de antiGen no se limitó al coronavirus. El equipo aplicó el mismo modelo a otros tres virus comunes: la gripe estacional, el virus respiratorio sincitial (VRS) y el virus del dengue. A pesar de que había muchos menos datos genéticos disponibles para estos virus en comparación con el SARS-CoV-2, el modelo aun así superó a los métodos tradicionales en la predicción de sus futuras mutaciones. Esto sugiere que el enfoque funciona en una amplia gama de virus, independientemente de la cantidad de datos de vigilancia disponibles. Los investigadores también descubrieron que la precisión del modelo mejoraba a medida que se recolectaban más datos, lo que significa que se convierte en una herramienta más poderosa cuanto más tiempo sigamos rastreando la evolución viral. En algunos casos, combinar las predicciones del modelo con métodos estadísticos existentes creó un sistema de pronóstico aún más robusto, capaz de manejar escenarios tanto ricos en datos como pobres en ellos.
Si bien el modelo es altamente preciso al predecir qué mutaciones son probables que ocurran, los investigadores enfatizan que no crea patógenos peligrosos nuevos. Los cambios que predice son mutaciones pequeñas de un solo paso que ya forman parte del proceso evolutivo natural. Estas predicciones tienen la intención de ayudar a los funcionarios de salud pública y a los desarrolladores de vacunas a mantenerse un paso por delante. Al saber qué mutaciones es probable que surjan, los científicos pueden diseñar vacunas que apunten no solo al virus que circula hoy, sino a las versiones que probablemente dominarán mañana. Este enfoque proactivo podría transformar la forma en que gestionamos las enfermedades infecciosas, cambiando el enfoque de reaccionar ante los brotes a prevenirlos antes de que echen raíces. El estudio demuestra que, al escuchar la historia escrita en el código genético de un virus, podemos comenzar a leer su futuro.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.