Прогнозирование вирусных вариаций позволяет заблаговременно усовершенствовать вакцины и противовирусные препараты.
Святой Грааль готовности к пандемии - это возможность предсказать эволюцию вируса, просто взглянув на его генетическую последовательность. До этого еще далеко, но все больше исследовательских групп используют искусственный интеллект (ИИ) для прогнозирования эволюции SARS-CoV-2, гриппа и других вирусов.
Вирусы - особенно РНК-вирусы, такие как SARS-CoV-2, - постоянно эволюционируют, накапливая новые мутации. Некоторые из этих изменений выгодны вирусу, позволяя ему обходить иммунитет хозяина и быстро распространяться. Предсказывая эволюцию вируса, исследователи теоретически могут заранее разработать вакцины и противовирусные препараты. Пока что инструменты ИИ могут предсказать, какие отдельные мутации в вирусе будут наиболее успешными и какие варианты «победят» в краткосрочной перспективе. Но они еще далеки от того, чтобы предсказать комбинации мутаций или вариантов, которые возникнут в будущем. Это «действительно захватывающая и очень полезная область для исследований», - утверждает Брайан Хи, биолог-вычислитель из Стэнфордского университета, который одним из первых применил большие языковые модели для изучения вирусных мутаций. Но предсказание вирусной эволюции все еще остается чрезвычайно сложной задачей, говорит он.
В прошлом исследователи проводили лабораторные эксперименты по выявлению вариантов с улучшенными свойствами, но они трудоемки и отнимают много времени. Некоторые группы, например лаборатория под руководством Юньлун Цао, иммунолога из Пекинского университета, разработали эксперименты, изучающие, как отдельные мутации влияют на способность вируса избегать обнаружения антителами. Эти эксперименты могут объяснить значительную часть вирусной эволюции, но не всю ее. По мнению Дэвида Робертсона, вирусолога из Университета Глазго (Великобритания), появление инструментов для предсказания структуры белков на основе ИИ, таких как AlphaFold, созданный лондонской компанией DeepMind, привнесло новую энергию в эту область.
Модели ИИ требуют огромного количества данных, чтобы предсказать эволюцию вирусов. Массовое секвенирование SARS-CoV-2, вируса, вызывающего COVID-19, сделало это возможным, отмечает Джумпей Ито, биоинформатик из Токийского университета. Теперь у исследователей есть почти 17 миллионов последовательностей, которые они могут использовать для обучения своих моделей.
Одна из моделей под названием EVEscape, разработанная Деборой Маркс из Гарвардской медицинской школы и ее группой, была использована для создания 83 возможных версий белка спайка SARS-CoV-2, который вирус использует для проникновения в клетки. Эти аватары спайков могут обходить антитела, вырабатываемые людьми, которые прошли вакцинацию или заразились циркулирующими в настоящее время вариантами, и могут быть использованы для проверки эффективности будущих вакцин против COVID-19.
Группа Ито сосредоточилась на более широкой характеристике вирусной пригодности - способности вариантов быстро распространяться в популяции и в конечном итоге доминировать. Исследователи использовали ESM-2 для создания модели под названием CoVFit, которая может предсказать относительную жизнеспособность вариантов SARS-CoV-2. CoVFit обучена на 13 643 вариантах спайк-белков SARS-CoV-2, а также использует экспериментальные данные группы Цао о том, как отдельные мутации влияют на способность вируса избегать антител. Группа Ито создала ограниченную модель, обученную на данных о вариантах до августа 2022 года, и обнаружила, что она успешно предсказывает повышение жизнеспособности некоторых вариантов после этого срока - в том числе XBB5, нового варианта, который появился в конце того же года.
К марту 2024 года доминирующим вариантом SARS-CoV-2 во всем мире стал вариант под названием JN.1. Используя CoVFit, группа Ито определила три изменения в одной аминокислоте, которые помогли бы JN.1 стать более приспособленным. Впоследствии эти мутации были обнаружены в вариантах, которые быстро распространились по всему миру. Чтобы повысить точность моделей ИИ, исследователям потребуется более пяти лет данных об эволюции вирусов, говорит Цао. По его словам, объединение данных секвенирования с экспериментальными данными помогает преодолеть некоторые проблемы с данными.
Несколько других групп также разрабатывают модели на основе комбинированных данных. Одну из них возглавляет коллега Ито по Токийскому университету, эволюционный вирусолог Шусуке Кавакубо. В своей работе, которая еще не опубликована, Кавакубо изучает способность вируса гриппа вызывать иммунный ответ у своего хозяина. Если белок гемагглютинин гриппа (аналог белка-шипа) изменится достаточно сильно, он может не распознаваться иммунной реакцией организма, и тогда мировым производителям вакцин придется соответствующим образом корректировать прививки от гриппа в следующем сезоне. Большинство этих моделей ограничены пониманием влияния небольших изменений, но в теории вирусы имеют практически безграничные возможности для эволюции. Например, вариант Омикрон появился на свет с более чем 50 мутациями, не похожими ни на что, что исследователи видели раньше.
Такие внезапные эволюционные скачки трудно предсказать. Робертсон и его коллеги пытаются найти способы использования моделей ИИ, чтобы лучше понять эти огромные эволюционные траектории и определить их пределы. Они обнаружили, что если предоставить ESM-2 только одну последовательность аминокислот спайка, то можно определить области, в которых могут произойти изменения, и то, как эти изменения могут повлиять на другие области белка. «Это похоже на магию», - говорит Робертсон. По его утверждению, цель состоит в том, чтобы определить, насколько велика возможность эволюции вируса на ранних стадиях после его обнаружения у людей.
