Nature: modello di deep learning offre intuizioni precoci sulle potenziali evoluzioni virali.
In una recente pubblicazione su Nature, i ricercatori presentano uno strumento innovativo progettato per prevedere l’evoluzione dei virus, identificando in particolare l’emergenza di varianti che potrebbero eludere il rilevamento immunitario. Denominato “EVEscape”, questa innovazione sfrutta la potenza del deep learning, analizzando dati storici delle sequenze virali, per fungere da sistema di allerta precoce per le imminenti pandemie o per accelerare il processo di sviluppo dei vaccini.
Una sfida urgente in immunologia è prevedere accuratamente i modi in cui i virus potrebbero trasformarsi in ceppi capaci di bypassare il rilevamento immunitario, passo cruciale per ideare vaccini potenti e strategie terapeutiche. Le tecniche attuali richiedono campioni sostanziali di anticorpi da individui infetti, che tipicamente non sono accessibili nelle fasi iniziali delle pandemie. Considerando che certi virus, come il SARS-CoV-2, subiscono una rapida evoluzione, testare in modo esaustivo ogni variante per le previsioni di mutazione potrebbe non essere sempre fattibile.
Per colmare questa lacuna, Debora Marks e il suo team hanno sviluppato EVEscape. Il modello offre previsioni su se certe mutazioni potrebbero permettere ai virus di sfuggire alle risposte immunitarie neutralizzanti. Raggiunge questo obiettivo utilizzando un paradigma di deep learning basato su sequenze virali storiche e integrando questi dati con informazioni strutturali e biofisiche consolidate. Sorprendentemente, quando EVEscape è stato applicato a sequenze virali precedenti al 2020 come il SARS-CoV-1, è stato in grado di identificare retrospettivamente quali ceppi di SARS-CoV-2 avevano la capacità di evitare la sorveglianza immunitaria.
Anche se EVEscape mostra risultati promettenti nelle fasi iniziali nell’identificare le mutazioni di fuga, la sua efficacia è ulteriormente potenziata quando integrata con dati sequenziali e strutturali aggiuntivi, specialmente durante lo svolgimento delle pandemie. Commentando questa innovazione, Nash Rochman ed Eugene Koonin hanno osservato che questo metodo ha un potenziale significativo, non solo per prevedere le varianti di futuri ceppi virali ma anche per guidare lo sviluppo dei vaccini e valutare la minaccia pandemica di virus precedentemente non identificati.
Articolo Nature: Learning from prepandemic data to forecast viral escape. DOI
10.1038/s41586-023-06617-0 .