Differential prolonged multiomic responses to mRNA and inactivated virus COVID-19 vaccines

Resumen Técnico: Respuestas Multiómicas Prolongadas Diferenciales a las Vacunas de ARNm y de Virus Inactivado contra el COVID-19

Planteamiento del Problema
Si bien las vacunas contra el SARS-CoV-2 han sido fundamentales para controlar la pandemia, la comprensión longitudinal y exhaustiva de las respuestas del huésped a nivel de biología de sistemas sigue siendo limitada. La literatura existente suele centrarse en la inmunogenicidad (títulos de anticuerpos) o en los efectos secundarios a corto plazo, careciendo de una perspectiva multiómica que integre la transcriptómica, la metabolómica, la lipidómica y el perfil de citocinas a lo largo del tiempo. Además, las comparaciones directas entre los mecanismos moleculares subyacentes a las distintas plataformas de vacunas —específicamente la basada en ARNm (BNT162b2) frente a la de virus inactivado (CoronaVac)— son escasas. Este estudio aborda la brecha en la comprensión de cómo estas distintas modalidades alteran diferencialmente el panorama multiómico del huésped y cómo estas alteraciones se correlacionan con la durabilidad e intensidad de las respuestas inmunitarias.

Metodología
El estudio empleó un diseño de cohorte prospectivo que involucró a 553 participantes adultos en Hong Kong (274 recibieron BNT162b2 y 279 recibieron CoronaVac). Los participantes eran seronegativos para SARS-CoV-2 (confirmado mediante el antígeno ORF8) y no tenían antecedentes de vacunación previa.

• Muestreo Longitudinal: Se recolectaron muestras de sangre en tres puntos temporales: basal (pre-vacunación), un mes después de la segunda dosis y seis meses después de la segunda dosis.
• Perfilado Multiómico:
  • Transcriptómica: Secuenciación de ARN de células mononucleares de sangre periférica (PBMC) para analizar la expresión génica.
    adamente Metabolómica y Lipidómica: Análisis no dirigido de plasma utilizando plataformas LC-MS/MS para cuantificar metabolitos y lípidos.
  • Perfil de Citocinas: Cuantificación de citocinas inflamatorias mediante inmunoensayo basado en citometría de flujo.
  • Inmunogenicidad: Los niveles de anticuerpos neutralizantes se midieron mediante pruebas de neutralización de virus sustituto (sVNT) y ELISA contra el dominio de unión al receptor (RBD) de la proteína spike del SARS-CoV-2.
• Análisis Estadístico y Computacional:
  • Análisis Diferencial: Se utilizaron modelos lineales de efectos mixtos (Limma/Voom para RNA-seq; GLM para metabolitos/lípidos) para evaluar los cambios longitudinales, ajustando por edad, sexo y efectos de lote.
  • Análisis de Vías: Análisis de enriquecimiento de conjuntos de genes (GSEA) utilizando módulos de transcripción sanguínea (BTM) y conjuntos de genes "Hallmark"; análisis de vías KEGG para metabolitos.
  • Análisis de Redes: Se utilizaron la base de datos STRING y redes de correlación de Spearman (visualizadas mediante Gephi) para mapear las interacciones entre genes, metabolitos, lípidos y citocinas.
  • Modelado Predictivo: Se aplicó aprendizaje automático (Random Forest con selección de características Boruta) a los datos multiómicos basales para predecir la inmunogenicidad post-vacunación (niveles de anticuerpos) y la durabilidad (tasa de declive de anticuerpos).

Resultados Clave

1. Firmas Multiómicas Divergentes:

   • Magnitud del Cambio: BNT162b2 indujo cambios significativamente más profundos y generalizados en todas las capas ómicas en comparación con CoronaVac. Al mes, BNT162b2 alteró 563 transcritos, 50 metabolitos y 48 lípidos, mientras que CoronaVac alteró solo 45 transcritos, 25 metabolitos y 14 lípidos.
   • Polarización Inmune: BNT162b2 upreguló fuertemente las vías asociadas con la inmunidad adaptativa (activación de células T, enriquecimiento de células B, firmas de células NK) y respuestas antivirales (interferón tipo I, señalización de TLR). En contraste, CoronaVac provocó una elevación modesta en las vías de la inmunidad innata (firmas de monocitos y células dendríticas).
   • Supresión de la Función Neural: Un hallazgo distintivo fue la regulación a la baja de genes relacionados con la función neural (p. ej., FOSL1, AREG, LHX3, EP300) y metabolitos (p. ej., D-Esfingosina, Esfingomielinas) específicamente en el grupo de BNT162b2. Estos cambios no se observaron en el grupo de CoronaVac y persistieron en cierta medida a los seis meses.

2. Durabilidad y Persistencia:

   • Durabilidad de los Anticuerpos: Los receptores de BNT162b2 mantuvieron niveles de anticuerpos neutralizantes significativamente más altos a los seis meses en comparación con los receptores de CoronaVac, cuyos niveles regresaron mayoritmente a la línea base.
   • Persistencia de la Ómica: Las perturbaciones multiómicas inducidas por BNT162b2 fueron más duraderas. A los seis meses, 52 de los 563 transcritos alterados y la mayoría de los metabolitos/lípidos alterados seguían siendo significativamente diferentes de la línea base en el grupo de BNT162b2, en comparación con solo 21 transcritos y menos cambios metabólicos en el grupo de CoronaVac.
   • Correlación con el Declive: Los marcadores transcriptómicos persistentemente regulados a la baja (p. ej., PGLYRP1, LHX3) en el grupo de BNT162b2 se correlacionaron positivamente con el declive relativo en los niveles de anticuerpos, lo que sugiere un vínculo entre firmas moleculares específicas y la pérdida de inmunidad.

3. Interacción Multiómica (Crosstalk):

   • Complejidad de la Red: El grupo de BNT162b2 exhibió una red de interacciones más densa y compleja entre genes, lípidos y metabolitos, particularmente involucrando la liso-fosfatidilcolina (LPC) y las esfingomielinas (SM). Esta interacción se asoció tanto con una mayor inmunogenicidad como con una mayor durabilidad.
   • Mediadores Lipídicos: Se identificaron lípidos específicos, como la LPC (18:2), como características únicas que se correlacionan tanto con la inmunogenicidad aumentada como con la durabilidad en la cohorte de BNT162b2. En contraste, las respuestas de CoronaVac mostraron un espectro más estrecho de asociaciones metabólicas.

4. Modelado Predictivo:

   • Los perfiles multiómicos basales podían predecir los resultados post-vacunación. Los modelos de aprendizaje automático alcanzaron valores de Área Bajo la Curva (AUC) que oscilaron entre 0.65 y 0.84 para predecir la inmunogenicidad y la durabilidad.
   • Los datos transcriptómicos fueron el tipo de característica seleccionada con mayor frecuencia en todos los modelos, lo que indica su papel dominante en el pronóstico de la respuesta a la vacuna.

Significancia y Reivindicaciones
Los autores afirman que este estudio proporciona información fundamental sobre las distinciones mecánicas entre las vacunas de ARNm y las de virus inactivado. Las contribuciones principales son:

• Diferenciación Mecanística: El estudio delinea que las vacunas de ARNm (BNT162b2) impulsan una respuesta inmunitaria adaptativa robusta y duradera acompañada de una reprogramación metabólica significativa y una modulación transitoria de las vías neurales, mientras que las vacunas inactivadas (CoronaVac) activan principalmente las vías de la inmunidad innata con una menor perturbación ómica sistémica.
• Impulsores de la Durabilidad: La investigación sugiere que la durabilidad superior de la vacuna de ARNm está vinculada a modificaciones sostenidas de los genes inmunitarios y a un crosstalk específico de lípidos-metabolitos (particularmente involucrando esfingolípidos y LPCs).
• Vacunación Personalizada: La capacidad de los perfiles multiómicos basales para predecir el rendimiento individual de la vacuna (AUC 0.65–0.84) respalda la integración de datos multiómicos para personalizar las estrategias de vacunación. Los autores abogan por el uso de estos perfiles para optimizar los resultados de salud pública, particularmente para poblaciones vulnerables, alineando las modalidades de vacunación con los paisajes inmunitarios individuales.

El artículo mantiene un tono modesto respecto a las implicaciones clínicas, señalando que, aunque se observaron cambios moleculares relacionados con la función neural en la sangre periférica, la evidencia actual no respalda un riesgo clínico directo de enfermedad neurológica derivado de la vacuna, y se requiere validación experimental adicional para comprender los impactos subclínicos a largo plazo.