Predicting the antigenic evolution of seasonal influenza viruses using phylogenetic convergence

De auteurs tonen aan dat het analyseren van convergente evolutie in grote fylogenieën het mogelijk maakt om toekomstige antigenische veranderingen in H3N2-influenzavirussen met meer dan een jaar vooruit te voorspellen, wat essentieel is voor een betere selectie van vaccinstammen.

De kern

De Influenza-voorspeller: Hoe we de virus-evolutie kunnen zien voordat hij gebeurt

Stel je voor dat het influenzavirus een slimme, onzichtbare dief is die elke winter probeert je huis (je immuunsysteem) binnen te breken. Om je te beschermen, bouwen we elk jaar een nieuw slot (een vaccin) dat precies past bij de huidige dief. Maar hier is het probleem: de dief is een chameleont. Hij verkleurt en verandert zijn uiterlijk (mutaties) net voordat de slotenmaker klaar is met het nieuwe slot. Als het slot niet past, is de vaccinatie minder effectief.

De uitdaging? We moeten het nieuwe slot kiezen, ongeveer 9 maanden voordat de winter begint. Dat is als proberen te voorspellen welke kledingstijl populair zal zijn in de zomer, terwijl we nu nog in de winter zitten.

Dit onderzoek van Turner en collega's biedt een nieuwe, slimme manier om die "kledingstijl" van het virus te voorspellen. Ze gebruiken een methode die we "phylogenetische convergentie" noemen, maar laten we het gewoon "de slimme spoorzoeker" noemen.

Hoe werkt de "Slimme Spoorzoeker"?

Stel je voor dat je een enorme, wereldwijde familieboom van het virus tekent. In deze boom zie je duizenden takken, elk vertegenwoordigend een groepje virussen.

1. De "Dubbelgangers"-detectie:
   Normaal gesproken verandert een virus willekeurig. Maar als een specifieke verandering (een mutatie) echt nuttig is voor het virus, gebeurt het niet één keer. Het gebeurt meerdere keren, onafhankelijk van elkaar, op verschillende plekken in de familieboom.

   • Analogie: Stel je voor dat je ziet dat in 10 verschillende dorpen in Nederland plotseling iedereen begint te dragen met een rode hoed. Als dit willekeurig was, zou het maar op één plek gebeuren. Maar als het overal gebeurt, betekent dit dat de rode hoed waarschijnlijk iets heel belangrijks biedt (bijvoorbeeld: hij houdt je hoofd warm of is modieus). Het virus "kies" die rode hoed dus herhaaldelijk omdat het een voordeel geeft.

2. De "Convergentie-ratio" (De meetlat):
   De auteurs tellen hoe vaak een specifieke verandering in het virus (bijvoorbeeld een lettertje in het DNA dat verandert) voorkomt, en vergelijken dit met hoe vaak je het zou verwachten als het puur geluk was.

   • Als een verandering veel vaker voorkomt dan geluk zou voorspellen, krijgen ze een hoge score. Dit betekent: "Aha! Dit is een slimme verandering die het virus helpt om te overleven en zich te verspreiden."

Wat hebben ze ontdekt?

Het meest spannende deel van dit onderzoek is dat ze deze "rode hoed" (de nuttige verandering) kunnen zien voordat het virus de hele wereld overneemt.

• De voorspelling: Ze zagen dat de veranderingen die leiden tot een nieuwe, grote versie van het virus (een nieuw "antigeen cluster"), vaak al meer dan een jaar van tevoren te zien waren als kleine, onafhankelijke verschijningen in de familieboom.
• De locatie: Het bleek dat deze slimme veranderingen bijna altijd op dezelfde 7 specifieke plekken in het virus zitten, vlakbij de "deur" waarmee het virus je cellen binnenkomt (de receptiebindingsplaats). Het is alsof de dief altijd probeert zijn sleutel op precies dezelfde plek van het slot aan te passen.

Waarom is dit een doorbraak?

Vroeger wachtten wetenschappers tot het virus al groot en sterk was voordat ze wisten dat het een gevaarlijke nieuwe variant was. Nu kunnen ze de "sporen" zien terwijl het virus nog klein is.

• Voorbeeld uit de praktijk: In het paper wordt beschreven hoe ze in 2024 al zagen dat bepaalde veranderingen (N158K en K189R) populair werden. Ze waarschuwden de Wereldgezondheidsorganisatie (WHO) tijdig. Hierdoor kon het vaccin voor 2025/2026 al worden aangepast aan deze nieuwe varianten, voordat ze de wereld overnamen.

De beperkingen (De "maar")

Natuurlijk is het niet perfect.

• Het geluksfactor: Soms gebeurt een verandering gewoon door toeval, of omdat het virus in een specifieke regio zit waar weinig mensen het virus testen (sequencing). Als we niet genoeg monsters hebben, missen we de signalen.
• De "dubbele mutatie": Soms moet het virus twee veranderingen tegelijk maken om te slagen. Dat is als een dief die twee sloten tegelijk moet openen. Dat gebeurt zelden en is lastig te voorspellen met deze methode.

Conclusie in één zin

Dit onderzoek geeft ons een kristallen bol die niet kijkt naar de toekomst, maar naar de herhalingen in het verleden. Door te kijken welke veranderingen het virus steeds opnieuw "uitprobeert", kunnen we voorspellen welke veranderingen het uiteindelijk zullen kiezen om de wereld over te nemen, zodat we ons vaccin altijd een stap voor zijn.

Het is alsof we de plannen van de dief kunnen lezen voordat hij de deur openbreekt, zodat we het slot alvast kunnen vervangen.

Technische samenvatting

Probleemstelling

Seizoensgebonden influenzavirussen evolueren voortdurend om aan antilichaamherkenning te ontsnappen (antigene evolutie). Vaccinatie is de belangrijkste maatstaf om de gezondheids- en economische lasten te beperken, maar de effectiviteit van het vaccin hangt af van de match tussen het in het vaccin gebruikte hemagglutinine (HA) en de circulerende stammen. Een groot probleem is dat vaccinstammen ongeveer 9 maanden voor het influenzaseizoen moeten worden geselecteerd om productie en distributie mogelijk te maken. Bestaande voorspellingsmethoden, die vaak gebaseerd zijn op frequentieveranderingen of fylogenetische boomvorm, proberen niet specifiek de emergentie van toekomstige antigenische varianten te voorspellen voordat deze dominant worden. Er is dus behoefte aan een methode om te identificeren welke specifieke aminozuursubstituties waarschijnlijk zullen leiden tot een nieuwe antigenische cluster, nog voordat deze substitutie zich in de populatie heeft gevestigd.

Methodologie

De auteurs hebben een nieuwe aanpak ontwikkeld die gebruikmaakt van fylogenetische convergentie om de selectiedruk op individuele aminozuursubstituties te kwantificeren. De kern van de methode is als volgt:

1. Data en Fylogenie: Er is een maximale-likelihood fylogenetische boom geconstrueerd met alle HA1-nucleotidesequenties van menselijke H3N2-virussen uit de GISAID-database.
2. Convergentie Meting: In plaats van alleen te kijken naar positieve selectie op het niveau van een positie (zoals bij traditionele dN/dS-methoden), tellen de auteurs het aantal onafhankelijke fylogenetische optredens van elke specifieke aminozuursubstitutie.
3. Correctie voor Mutatiekansen: Omdat verschillende nucleotidemutaties (bijv. GA vs. CG) zeer verschillende basale snelheden hebben, wordt het waargenomen aantal optredens vergeleken met een neutrale verwachting. Deze verwachting wordt afgeleid van de mutatiesnelheid op vier-voudig synonieme posities (waar elke nucleotidewisseling synoniem blijft).
4. Log Convergentie Ratio (LCR): De verhouding tussen het waargenomen aantal en het neutraal verwachte aantal wordt omgezet in een "Log Convergence Ratio" (LCR).
   • Een positieve LCR wijst op positieve selectie (de substitutie komt vaker voor dan puur door toeval).
   • Een negatieve LCR wijst op negatieve selectie (de substitutie is schadelijk).
5. Statistische Significantie: Er wordt een null-model gebruikt dat Poisson-verdeling (stochastische variatie) en normaal verdeelde variatie in synonieme mutatiesnelheden combineert om empirische p-waarden te berekenen.
6. Focus op Kritieke Posities: De analyse richt zich specifiek op zeven aminozuurreposities rondom de receptorbindingsplaats (Koel et al., 2013), die historisch gezien verantwoordelijk zijn voor de meeste grote antigenische verschuivingen.

Belangrijkste Bijdragen

• Substitutie-niveau Selectie: De methode verschuift de focus van selectie op het niveau van een aminozuurpositie naar het niveau van de specifieke substitutie. Dit is cruciaal omdat niet alle mutaties op een positie even gunstig zijn.
• Proactieve Voorspelling: Het toont aan dat convergentie-signalen kunnen worden gedetecteerd voordat de nieuwe antigenische cluster dominant wordt, wat een voorsprong geeft bij de vaccinselectie.
• Integratie van Mutatiebias: De methode corrigeert expliciet voor mutatiebias (de ongelijke kans op verschillende nucleotidewisselingen), wat vaak over het hoofd wordt gezien in evolutionaire voorspellingen.

Resultaten

• Voorspellende Kracht: Van de 14 antigenische cluster-overgangen sinds 1987 die door een enkele nucleotidemutatie werden veroorzaakt, had 12 ervan een positieve LCR in de voorouderlijke cluster. In 12 van de 14 gevallen werd de toekomstige overgangssubstitutie gerangschikt als een van de top 6 substituties op basis van LCR (mediaan rang: 3e).
• Tijdige Detectie: De positieve selectie voor de overgangssubstitutie was vaak al meer dan een jaar voordat de nieuwe cluster zich vestigde, detecteerbaar in de data van de voorouderlijke cluster.
• Onafhankelijkheid van Boomconstructie: De resultaten waren zeer consistent tussen bomen die met verschillende methoden (CMAPLE vs. UShER + matOptimize) waren geconstrueerd.
• Uitzonderingen: Er waren twee uitzonderingen:
  1. Y159N (CA20 naar DA21): Slecht voorspeld door een zeer klein aantal beschikbare sequenties tijdens de SARS-CoV-2-pandemie, wat de statistische power verlaagde.
  2. F159S (PE09 naar SW13): Deze substitutie had een negatieve LCR (negatieve selectie) maar werd toch dominant, waarschijnlijk omdat de alternatieve route (F159Y) in een andere tak van dezelfde voorouder (PE09) een groter fitnessvoordeel had.
• Invloed van Sequencing: De studie toont aan dat huidige sequencing-niveaus voldoende zijn om positieve selectie voor de meeste relevante substituties te detecteren, mits deze worden veroorzaakt door de snelste nucleotidemutaties. De detectie van mutaties met zeer lage snelheden (zoals CG) vereist echter een veel hogere sequencing-intensiteit.
• Praktische Toepassing: De methode is succesvol toegepast om de opkomst van clades met de substituties N158K en K189R in de DA21-cluster te voorspellen, wat leidde tot een update van de WHO-vaccinadviezen voor het seizoen 2025/2026.

Betekenis en Conclusie

De studie demonstreert dat het meten van fylogenetische convergentie een krachtig instrument is om de antigenische evolutie van influenza te voorspellen. Door te kijken naar hoe vaak een specifieke mutatie onafhankelijk van elkaar optreedt in een fylogenetische boom, kunnen onderzoekers de fitnessvoordelen van mutaties kwantificeren voordat deze dominant worden.

Dit biedt een proactieve strategie voor het selecteren van vaccinstammen, wat de kans op mismatches tussen het vaccin en de circulerende virussen verkleint. De methode vult bestaande frequentie-gebaseerde modellen aan en biedt een meer mechanistische inzicht in welke specifieke mutaties de evolutie zullen sturen. De auteurs stellen een protocol voor waarbij convergentie-analyse wordt gebruikt om een shortlist van potentiële antigenische substituties te genereren, die vervolgens experimenteel worden getest op hun antigenische effect. Dit combineert de kracht van big-data fylogenie met laboratoriumvalidatie voor een robuustere vaccinontwikkeling.