Αυτή τη στιγμή, 25 εμβόλια για την καταπολέμηση του COVID-19 βρίσκονται σε κλινική αξιολόγηση, άλλα 139 εμβόλια είναι σε ένα προ-κλινικό στάδιο, και πολλά άλλα είναι υπό έρευνα.
Όμως πολλά από αυτά τα εμβόλια, ακόμα κι αν είναι επιτυχή, μπορεί να μην προκαλέσουν την επιθυμητή ανοσοαπόκριση σε μεγάλα τμήματα πληθυσμού. Αυτό συμβαίνει επειδή τα αντισώματα ορισμένων ανθρώπων θα αντιδράσουν διαφορετικά στα εμβόλια που υποτίθεται ότι διεγείρουν τα κύτταρα Τ που καταπολεμούν τους ιούς.
Το να υπολογίσει κάποιος πόσο μεγάλη κάλυψη θα έχει ένα εμβόλιο, δηλαδή πόσα άτομα θα επηρεάσει για να προκαλέσει ανοσοαπόκριση, αποτελεί ένα μεγάλο μέρος στο παζλ του εμβολίου.
Έχοντας υπόψη αυτή την πρόκληση, οι επιστήμονες στο Ινστιτούτο Τεχνολογίας της Μασαχουσέτης (Massachusetts Institute of Technology ή MIT) παρουσίασαν τη Δευτέρα μια προσέγγιση μηχανικής μάθησης που μπορεί να προβλέψει την πιθανότητα πως ένα συγκεκριμένο project εμβολίων θα επηρεάσει ένα ικανοποιητικό ποσοστό του πληθυσμού.
Αυτό δεν σημαίνει ότι μπορούν να εγγυηθούν για την αποτελεσματικότητά του, αλλά το έργο των επιστημόνων μπορεί να βοηθήσει στη εκ των προτέρων γνώση για το εάν ένα δεδομένο εμβόλιο έχει μεγάλα κενά ως προς το ποιους μπορεί να βοηθήσει.
Τα καλά νέα είναι ότι οι μελετητές του MIT έχουν χρησιμοποιήσει την προσέγγισή τους για να σχεδιάσουν ένα νέο εμβόλιο COVID-19 στον υπολογιστή που έχει πολύ καλύτερη κάλυψη από πολλά από τα εμβόλια που έχουν δημοσιευτεί με βιβλιογραφία φέτος. Τώρα δοκιμάζουν το project σε ζώα.
Τα κακά νέα είναι ότι θα μπορούσαν να υπάρχουν μεγάλα κενά στην κάλυψη ορισμένων από τα υπάρχοντα εμβόλια που έχουν ήδη αναπτυχθεί από εταιρείες και εργαστήρια, σύμφωνα με έναν από τους συντάκτες της έκθεσης, David K. Gifford, ο οποίος είναι στο τμήμα Επιστήμης των Υπολογιστών του MIT και στο Εργαστήριο Τεχνητής Νοημοσύνης.
“Ενώ μπορούν να προστατεύσουν περισσότερο από το 50% του πληθυσμού, ορισμένα άτομα και οι ηλικιωμένοι μπορεί να μην προστατεύονται”, δήλωσε ο Gifford στο ZDNet σε ένα email, όταν ρωτήθηκε για τα εμβόλια που βρίσκονται υπό δοκιμή.
Να αναφέρουμε ότι τα εμβόλια που βρίσκονται υπό ανάπτυξη δεν ήταν το άμεσο αντικείμενο της εργασίας. Τα περισσότερα από αυτά τα εμβόλια είναι κλειστά projects, και κανείς δεν ξέρει τι περιέχουν ακριβώς.
Όμως ο Gifford και οι συνάδελφοί του σχεδίασαν εμβόλια από το μηδέν, και στη συνέχεια ανέλυσαν το πόσο αποτελεσματικά είναι, και δούλεψαν με τα ευρήματά τους σε διαφορετικά εμβόλια των οποίων η σύνθεση είναι γνωστή.
Με βάση τα παραπάνω, μπορεί κάποιος να συμπεράνει ότι ίσως να υπάρξουν προβλήματα με τα άλλα εμβόλια των οποίων η ακριβής σύνθεση δεν είναι γνωστή.
Πρέπει να έχουμε κατά νου ότι οποιοσδήποτε σχεδιασμός εμβολίου από υπολογιστή, όπως αυτός που αναφέρουμε εδώ, είναι μόνο η αρχή μιας διαδικασίας που μπορεί να διαρκέσει χρόνια για να περάσει σε δοκιμές σε ζώα και στη συνέχεια σε ανθρώπους, για να εξασφαλιστεί ότι εκτός του ότι είναι ασφαλή (μη τοξικά), και αποτελεσματικά, παρέχουν στην κοινότητα και μια σημαντική ανοσοαπόκριση.
Ωστόσο, το project του MIT δείχνει την ικανότητα του υπολογιστικού μοντέλου να επιταχύνει δραματικά το αρχικό έργο, αναζητώντας πολλούς πιθανούς συνδυασμούς, μια αναζήτηση που μπορεί να πάρει χρόνια, ενώ ο κόσμος καίγεται.
Η έρευνα, με τίτλο, “Computationally Optimized SARS-CoV-2 MHC Class I and II Vaccine Formulations Predicted to Target Human Haplotype Distributions“, δημοσιεύτηκε στο Cell Systems, της Cell Press. Οι συγγραφείς περιλαμβάνουν τον Gifford, Ge Liu και Brandon Carter του εργαστηρίου AI, Trenton Bricken του Πανεπιστημίου Duke, Siddhartha Jain, επίσης του εργαστηρίου AI και Mathias Viard και Mary Carrington, οι οποίοι έχουν διπλούς ρόλους στο Mass General και στο Frederick National Laboratory for Cancer Research στο Μέριλαντ. (Μια ανάρτηση υπάρχει επίσης και στο blog του MIT.)
