Forecasting viral evolution from phylogenetic trees
Il documento presenta antiGen, un modello di apprendimento automatico che sfrutta gli alberi filogenetici per prevedere con precisione le future mutazioni virali attraverso molteplici patogeni, tra cui SARS-CoV-2, influenza e dengue, migliorando così la preparazione alle pandemie e lo sviluppo terapeutico.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
I virus sono implacabili mutaforma. Mentre si moltiplicano all'interno di un ospite, commettono minuscoli errori di copia nel loro codice genetico, creando nuove versioni di se stessi. La maggior parte di questi cambiamenti non fa nulla, ma occasionalmente una mutazione conferisce al virus un nuovo vantaggio, come la capacità di diffondersi più velocemente o di eludere il sistema immunitario. Questa costante evoluzione è il motivo per cui un vaccino antinfluenzale dell'anno scorso potrebbe non proteggervi quest'anno, e perché nuove varianti di malattie come il COVID-19 possono emergere inaspettatamente. Per restare al passo con queste minacce, gli scienziati devono prevedere quali cambiamenti siano probabili in futuro. Tradizionalmente, i ricercatori hanno cercato di indovinare queste future mutazioni studiando come si comportano le proteine in laboratorio o utilizzando modelli informatici che analizzano vaste librerie di sequenze genetiche esistenti. Tuttavia, questi metodi spesso faticano a vedere l'immagine completa di come un virus si muova effettivamente attraverso il tempo e le popolazioni.
Un team di ricercatori dell'Università di Stanford e dell'Arc Institute ha sviluppato un nuovo approccio che guarda alla storia familiare di un virus per prevederne il futuro. Hanno creato un modello di apprendimento automatico chiamato antiGen, che impara dal percorso evolutivo di un virus piuttosto che dal suo semplice codice genetico attuale. Invece di limitarsi a memorizzare le sequenze, il modello studia i passaggi specifici che un virus ha compiuto per passare da una versione all'altra, proprio come uno storico che studia gli eventi specifici che hanno portato a un grande cambiamento storico. Analizzando l' "albero genealogico" di un virus — un diagramma che mappa come i diversi ceppi siano correlati e quando si siano diversificati — il modello apprende le regole che governano quali mutazioni sono probabili che appaiano successivamente. Questo metodo consente al sistema di anticipare cambiamenti mai visti prima, offrendo uno strumento potente per preparare vaccini e trattamenti prima ancora che una nuova variante si diffonda.
I ricercatori hanno testato questo sistema prima sul virus SARS-CoV-2, la causa della pandemia di COVID-19. Hanno fornito al modello milioni di sequenze genetiche raccolte durante il primo anno della pandemia e gli hanno chiesto di prevedere le mutazioni che sarebbero apparse negli anni successivi. Il modello è risultato superiore a qualsiasi metodo esistente nel prevedere i prossimi probabili cambiamenti alla proteina spike del virus, la parte che permette al virus di entrare nelle cellule umane. Fondamentalmente, ha anche avuto successo nel prevedere mutazioni che non erano mai state osservate nei dati di addestramento, suggerendo che avesse appreso i principi sottostanti dell'evoluzione virale piuttosto che limitarsi a memorizzare eventi passati. Per confermare che queste previsioni fossero biologicamente reali, il team ha creato in laboratorio le varianti virali previste. Hanno scoperto che la maggior parte delle mutazioni generate dal computer produceva virus che potevano ancora infettare le cellule, dimostrando che il modello proponeva cambiamenti vitali e funzionali piuttosto che errori casuali.
Il successo di antiGen non si è limitato al coronavirus. Il team ha applicato lo stesso modello a tre altri virus comuni: l'influenza stagionale, il virus respiratorio sinciziale (RSV) e il virus della dengue. Nonostante ci fossero molti meno dati genetici disponibili per questi virus rispetto al SARS-CoV-2, il modello ha comunque superato i metodi tradizionali nella previsione delle loro future mutazioni. Ciò suggerisce che l'approccio funzioni su una vasta gamma di virus, indipendentamente da quanti dati di sorveglianza siano disponibili. I ricercatori hanno anche scoperto che l'accuratezza del modello migliorava con la raccolta di più dati, il che significa che diventa uno strumento più potente man mano che continuiamo a monitorare l'evoluzione virale. In alcuni casi, combinare le previsioni del modello con i metodi statistici esistenti ha creato un sistema di previsione ancora più robusto, capace di gestire scenari sia ricchi di dati che poveri di dati.
Sebbene il modello sia altamente accurato nel prevedere quali mutazioni siano probabili, i ricercatori sottolineano che esso non crea nuovi patogeni pericolosi. I cambiamenti che prevede sono piccole mutazioni a singolo passaggio che fanno già parte del processo evolutivo naturale. Queste previsioni sono destinate ad aiutare le autorità di sanità pubblica e gli sviluppatori di vaccini a restare un passo avanti. Sapendo quali mutazioni sono probabili che emergano, gli scienziati possono progettare vaccini che mirino non solo al virus che circola oggi, ma alle versioni che probabilmente domineranno domani. Questo approccio proattivo potrebbe trasformare il modo in cui gestiamo le malattie infettive, spostando l'attenzione dal reagire alle epidemie al prevenirle prima che prendano piede. Lo studio dimostra che, ascoltando la storia scritta nel codice genetico di un virus, possiamo iniziare a leggerne il futuro.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.