Forecasting viral evolution from phylogenetic trees
Het artikel introduceert antiGen, een machine learning-model dat fylogenetische bomen gebruikt om toekomstige virale mutaties over meerdere pathogenen nauwkeurig te voorspellen, waaronder SARS-CoV-2, influenza en dengue, waardoor de pandemische paraatheid en therapeutische ontwikkeling worden verbeterd.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Virussen zijn meedogenloze vormveranderaars. Terwijl ze zich binnen een gastheer vermenigvuldigen, maken ze kleine kopieerfouten in hun genetische code, waardoor nieuwe versies van zichzelf ontstaan. De meeste van deze veranderingen doen niets, maar af en toe geeft een mutatie een virus een nieuw voordeel, zoals het vermogen om sneller te verspreiden of het immuunsysteem te ontwijken. Deze constante evolutie is de reden waarom een griepvaccin van vorig jaar je dit jaar misschien niet beschermt, en waarom er onverwacht nieuwe varianten van ziekten zoals COVID-19 kunnen opduiken. Om deze bedreigingen voor te blijven, moeten wetenschappers voorspellen welke veranderingen waarschijnlijk als volgende zullen plaatsvinden. Traditioneel hebben onderzoekers geprobeerd deze toekomstige mutaties te raden door te bestuderen hoe eiwitten zich in een laboratorium gedragen of door computermodellen te gebruiken die naar enorme bibliotheken van bestaande genetische sequenties kijken. Deze methoden hebben echter vaak moeite om het volledige beeld te zien van hoe een virus zich daadwerkelijk door de tijd en populaties beweegt.
Een team onderzoekers aan de Stanford University en het Arc Institute heeft een nieuwe aanpak ontwikkeld die naar de familiegeschiedenis van een virus kijkt om de toekomst ervan te voorspellen. Ze hebben een machine learning-model genaamd antiGen ontwikkeld, dat leert van het evolutionaire pad van een virus in plaats van alleen van de huidige genetische code. In plaats van simpelweg sequenties te memoriseren, bestudeert het model de specifieke stappen die een virus heeft genomen om van de ene versie naar de andere te gaan, vergelijkbaar met een historicus die de specifieke gebeurtenissen bestudeert die leidden tot een grote historische verschuiving. Door de "familieboom" van een virus te analyseren — een diagram dat in kaart brengt hoe verschillende stammen aan elkaar verwant zijn en wanneer ze uiteen zijn gegaan — leert het model de regels die bepalen welke mutaties waarschijnlijk als volgende zullen verschijnen. Deze methode stelt het systeem in staat om veranderingen te voorzien die nog nooit eerder zijn gezien, wat een krachtig hulpmiddel biedt voor het voorbereiden van vaccins en behandelingen voordat een nieuwe variant zich zelfs maar heeft verspreid.
De onderzoekers testten dit systeem eerst op het SARS-CoV-2-virus, de veroorzaker van de COVID-19-pandemie. Ze voedden het model met miljoenen genetische sequenties die gedurende het eerste jaar van de pandemie zijn verzameld en vroegen het om mutaties te voorspellen die in de jaren volgend zouden verschijnen. Het model presteerde beter dan enige bestaande methode bij het voorspellen van de meest waarschijnlijke volgende veranderingen aan het spike-eiwit van het virus, het deel dat het virus in staat stelt om menselijke cellen binnen te dringen. Cruciaal was dat het ook erin slaagde mutaties te voorspellen die nooit waren waargenomen in de trainingsdata, wat suggereert dat het de onderliggende principes van virale evolutie had geleerd in plaats van alleen het verleden te memoriseren. Om te bevestigen dat deze voorspellingen biologisch echt waren, creëerden de onderzoekers de voorspelde virusvarianten in een laboratorium. Ze ontdekten dat de meeste door de computer gegenereerde mutaties virussen produceerden die nog steeds cellen konden infecteren, wat bewees dat het model levensvatbare, functionele veranderingen voorstelde in plaats van willekeurige fouten.
Het succes van antiGen beperkte zich niet tot het coronavirus. Het team paste hetzelfde model toe op drie andere veelvoorkomende virussen: seizoensgebonden influenza, het respiratoir syncytieel virus (RSV) en het denguevirus. Ondanks dat er veel minder genetische data beschikbaar was voor deze virussen vergeleken met SARS-CoV-2, presteerde het model nog steeds beter dan traditionele methoden bij het voorspellen van hun toekomstige mutaties. Dit suggereert dat de aanpak werkt voor een breed scala aan virussen, ongeacht hoeveel surveillancegegevens beschikbaar zijn. De onderzoekers ontdekten ook dat de nauwkeurigheid van het model verbeterde naarmate er meer gegevens werden verzameld, wat betekent dat het een krachtiger hulpmiddel wordt naarmate we de virale evolutie langer blijven volgen. In sommige gevallen creëerde het combineren van de voorspellingen van het model met bestaande statistische methoden een nog robuuster voorspellingssysteem, in staat om zowel gegevensrijke als gegevensarme scenario's aan te kunnen.
Hoewel het model zeer nauwkeurig is in het voorspellen welke mutaties waarschijnlijk zullen optreden, benadrukken de onderzoekers dat het geen gevaarlijke nieuwe pathogenen creëert. De veranderingen die het voorspelt zijn kleine, eenstapsmutaties die al deel uitmaken van het natuurlijke evolutieproces. Deze voorspellingen zijn bedoeld om overheidsinstanties op het gebied van de volksgezondheid en vaccinontwikkelaars te helpen een stap voor te blijven. Door te weten welke mutaties waarschijnlijk zullen ontstaan, kunnen wetenschappers vaccins ontwerpen die niet alleen gericht zijn op het virus dat vandaag circuleert, maar ook op de versies die morgen waarschijnlijk zullen domineren. Deze proactieve aanpak zou de manier waarop we infectieziekten beheren kunnen transformeren, door de focus te verleggen van het reageren op uitbraken naar het voorkomen ervan voordat ze een voet aan de grond krijgen. De studie toont aan dat door te luisteren naar de geschiedenis die in de genetische code van een virus is geschreven, we kunnen beginnen met het lezen van zijn toekomst.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.