Das Grippevirus entwickelt sich schnell weiter, sodass nur schwer vorherzusagen ist, welche Stämme in einer bestimmten Saison dominieren werden. Zweimal jährlich beruft die Weltgesundheitsorganisation (WHO) internationale Expertinnen und Experten ein, um Stämme für die anstehenden Impfstoffe zu empfehlen. Ein neues, von MIT-Forschern vorgestelltes KI-Tool namens VaxSeer könnte die Unsicherheit verringern, mit der Impfstoffplaner und -hersteller konfrontiert sind.
So funktioniert VaxSeer
VaxSeer nutzt maschinelles Lernen, um vorherzusagen, wie Influenzaviren mutieren und wie Immunsysteme darauf reagieren könnten. Die Forscher erklärten, dass das System Gesundheitsbehörden und Pharmaunternehmen dabei helfen könnte, Monate im Voraus fundiertere Entscheidungen zu treffen – ein entscheidender Zeitrahmen für die Impfstoffentwicklung – und die Trefferquoten zu verbessern, die in durchschnittlichen Saisons häufig zwischen 40 % und 60 % liegen.
VaxSeer soll diesen Prozess mit einem zweigleisigen Modell für maschinelles Lernen verbessern: Eine Komponente sagt voraus, welche Virusstämme am wahrscheinlichsten dominant werden, während die andere ihre antigenische Ähnlichkeit schätzt – also wie gut das Immunsystem sie erkennen würde. Anschließend berechnet das Modell einen „Abdeckungswert“, eine vorausschauende Kennzahl, die widerspiegelt, wie wirksam eine Impfstoffformulierung voraussichtlich gegen künftige Viruspopulationen sein wird.
Genauigkeit von VaxSeer
Bei einem Abgleich mit Influenza-Daten aus einem Jahrzehnt stellten MIT-Forscher fest, dass VaxSeer dominante H3N2-Stämme in neun von zehn Saisons genauer vorhersagte. Bei H1N1 waren seine Empfehlungen in den meisten Jahren entweder gleich gut wie die Auswahl der WHO oder besser. Ein Beispiel dafür gab es 2016: Damals wies das KI-Tool auf einen Stamm hin, den die globalen Gesundheitsbehörden erst im folgenden Jahr in die Impfstoffzusammensetzung aufnahmen.
Folgen für die Impfstoffentwicklung
Die hohe Vorhersagegenauigkeit von VaxSeer könnte die Wirksamkeit von Impfstoffen steigern, indem sie die Übereinstimmung mit den zirkulierenden Stämmen verbessert – ein wesentlicher Faktor für die gesundheitlichen Ergebnisse in der Bevölkerung. Präzisere Prognosen könnten es Impfstoffherstellern ermöglichen, die Produktion früher und mit größerer Sicherheit aufzunehmen, die Logistik der Lieferkette zu vereinfachen und das Risiko einer unzureichenden Übereinstimmung zu verringern.
Darüber hinaus ist der Ansatz nicht auf Influenza beschränkt. MIT-Forscher merkten an, dass sich derselbe Modellierungsansatz auch auf andere schnell mutierende Viren wie Coronaviren übertragen ließe.
Herausforderungen
Obwohl VaxSeer in retrospektiven Auswertungen vielversprechende Ergebnisse zeigt, stellt seine Integration in die globalen Prozesse der öffentlichen Gesundheitsversorgung eine Herausforderung dar.
Der von der WHO gesteuerte Auswahlprozess umfasst einen internationalen Konsens, regulatorische Aufsicht und nachgewiesene Transparenz. Die MIT-Forscher räumten ein, dass eine strenge Validierung, eine Veröffentlichung in einem peer-reviewten Fachjournal und der Aufbau von Vertrauen für eine Einführung erforderlich wären.
Dennoch spiegelt das Projekt einen breiteren Trend wider: Computerbiologie und künstliche Intelligenz unterstützen zunehmend Entscheidungen mit weitreichenden Folgen im öffentlichen Gesundheitswesen – von Diagnostik bis zur Arzneimittelforschung.