每年，全球卫生专家都会面临一个重大的风险决定：应该进入下一种季节性疫苗的流感菌株是什么？选择应该在几个月前，即流感季节开始的很长一段时间，并且通常会感觉到比赛全天候比赛。如果指定的菌株与旋转的菌株相匹配，则疫苗可能非常有效。但是，如果停止了预测，保护可以显着减少，这会导致疾病（可能是可以预防的）和对医疗保健系统的压力。
在Covid-19s期间的几年中，这一挑战变得更加熟悉科学家。考虑返回时间（并反复），当疫苗发布时出现新变量时。流感就像一个表弟一样，它一直是出乎意料的。这使得保持前景很难，因此很难设计保持预防性的疫苗。
为了减少这种不确定性，马萨诸塞州技术与人工智能研究所计算机科学实验室的科学家（CSAIL）和马萨诸塞州技术学院的诊所创建了名为VaxSeeer的AI系统，旨在预测几个月前，几个月前的保护性流感菌株并确定保护性疫苗的候选者。该工具在病毒系列的合同和实验室测试结果上使用深度培训的学习模型，以模拟流感病毒的发展方式以及疫苗的反应方式。
传统发展模型通常会独立分析单个氨基酸突变的效果。 Wenxian Shi, a PhD student in the Department of Electrical Engineering and Computer Science at Wenxian SHI, a PhD student in the Department of Electrical Engineering and Computer Science at CSAIL: “VAXSEEer adopts a large protein model to know the relationship between dominance and the consensual effects of mutations”, and a researcher at Wenxian SHI, a PhD student in the Electrical Engineering and Computer Science Department at the Institute Massachusetts Technology. “与当前具有病毒变量恒定分布的蛋白质模型不同，我们削弱了动态统治转换，这使它们更适合于流感等晚期晚期病毒。”
今天的研究的公开报告报告发表在 自然医学。
流感的未来
Vaxseer有两个基本预测因素：其中一个是根据每种病毒品种（霸权）的可能性估计的，另一种是根据疫苗的有效性估算的，该疫苗将中和该菌株（抗原）。他们共同产生了预期的覆盖率：针对未来病毒的特定疫苗性能质量的理想量表。
结果的尺度可能是无数的负数。结果越接近0，花粉与循环病毒的相反匹配越好。 （您可以将其想象为“距离”的负数。）
在一项为期10年的回顾性研究中，研究人员评估了VaxSeeer针对世界卫生组织（WHO）对两种主要类型流感类型的建议：A/H3N2和A/H1N1。对于A/H3N2，根据实验性覆盖率回顾性的程度（替代疫苗有效性，从过去的季节和实验性HI测试的结果中计算出来，VaxSeeer选项在10个赛季中的九个季节都超过了世界卫生组织的表现）。使用该团队评估疫苗的选择，因为该事件仅适用于已经授予人群的疫苗。
对于A/H1N1，它的表现优于表现或在10个赛季中六个中的比赛。在一个突出的情况下，对于2016年流感季节，VaxSeeer选择了WHO直到第二年才选择的压力。该模型的预测还表明，正如疾病控制中心，加拿大的Sntinel从业者网络和欧洲的I-Move计划所提到的，与现实世界疫苗的有效性有很强的联系。 VaxSeeer的预期覆盖率与有关与流感相关的疾病和疫苗接种禁止的医疗访问相关的疾病的公共卫生数据紧密。
Fakser到底如何理解所有这些数据？该模型从直觉上估计，使用蛋白质语言模型，病毒品种如何随着时间的推移迅速传播，然后通过计算不同品种之间的竞争来确定其霸权。
一旦模型计算出其视野，它就会连接到运动框架，该运动型框架取决于所谓的常规微分方程以模拟随时间的模拟病毒扩散。对于抗原，该系统估计指定的疫苗菌株在称为血液抑制的联合实验室测试中进行的程度。这可以衡量有效抗体如何防止该病毒与人类红细胞相关联，这是一种与抗原/抗原相匹配的广泛用剂。
发展
XI说：“通过建模病毒的发展方式以及疫苗与它们的相互作用，诸如Vaxseer之类的AI可以帮助做出更好，更快的决策 – 并在感染和免疫之间保持一步。”
Vaxseer目前仅专注于（血凝素）蛋白，流感病毒，流感的主要抗原。未来版本可以包括其他蛋白质，例如NA（神经氨酸酶），免疫史，制造限制或剂量水平等因素。该系统在其他病毒中的应用还需要大量和高质量的数据集，这些数据集跟踪并非总是向公众使用的病毒开发和免疫数据反应。但是，该团队目前正在研究可以预测病毒家族之间关系中较低系统的病毒发展的方法
“鉴于病毒发育的速度，当前的治疗发育通常不发达。
“本文令人印象深刻，但激怒我可能是该团队在低数据环境中预测病毒发展的持续工作，”安大略省汉密尔顿麦克马斯特大学生物化学和生物医学科学系的助理教授约翰·斯托克斯说。 “超越了流感的影响。想象一下，您可以期望如何开发抗生素抗性细菌或耐药性癌症，这两种癌症都可以迅速适应。这种预测建模为一个强烈的新问题打开了一个强烈的新问题。
Shi和Parzelay与MIT Csail Postdoc Jermy Wohlwend ’16，Meng ’17，PhD ’25和Csail关联公司Menghua Wu ’19，Ming ’20，Phd ’25撰写了这篇论文。他们的工作得到了美国威胁局和麻省理工学院Jameel诊所的部分支持。
