Τα εμβόλια για τον COVID-19 που αναπτύσσονται από τις Moderna, Pfizer, AstraZeneca και άλλες εταιρείες, και βρίσκονται επί του παρόντος σε κλινικές δοκιμές Φάσης III, μπορεί να μην καλύπτουν τόσο καλά ανθρώπους γενετικής καταγωγής της Μαύρης, της Ασιατικής φυλής αλλά λευκούς, σύμφωνα με μια μελέτη που κυκλοφόρησε από το Ινστιτούτο Τεχνολογίας της Μασαχουσέτης.
Η μελέτη δημοσιεύθηκε την Πέμπτη στο επιστημονικό περιοδικό Cell Systems.
“Υπάρχουν προφανώς πολλοί παράγοντες που πρέπει να ληφθούν υπόψη, αλλά τα προκαταρκτικά μας αποτελέσματα δείχνουν ότι κατά μέσο όρο, οι άνθρωποι της Μαύρης ή της Ασιατικής φυλής θα μπορούσαν να έχουν ελαφρώς αυξημένο κίνδυνο αναποτελεσματικότητας του εμβολίου”, αναφέρει ένας από τους συγγραφείς της μελέτης, David K. που είναι στο Εργαστήριο Επιστήμης Υπολογιστών και Τεχνητής Νοημοσύνης του MIT (CSAIL από το Computer Science and Artificial Intelligence Laboratory).
Η δήλωσή του συμπεριλαμβάνεται στο δελτίο τύπου που εκδόθηκε από το MIT.
Η έκθεση, με τίτλο “Predicted Cellular Immunity Population Coverage Gaps for SARS-CoV-2 Subunit Vaccines and their Augmentation by Compact Peptide Sets,” δημοσιεύτηκε αρχικά (PDF) στον Bioarxiv pre-print server.
Ο ενθουσιασμός έχει αυξηθεί τις τελευταίες εβδομάδες, καθώς οι εταιρείες Moderna, Pfizer και AstraZeneca ανακοίνωσαν όλα τα αρχικά αποτελέσματα από τις δοκιμές της Φάσης III και έδειξαν εκπληκτικά ισχυρά ποσοστά ανοσίας (94% έως 95%).
Όμως σύμφωνα με την μελέτη του MIT πολλά από τα εμβόλια, συμπεριλαμβανομένων των εταιρειών Moderna και Pfizer και AstraZeneca, έχουν την ίδια αδυναμία, δηλαδή ότι δεν χρησιμοποιούν διαφορετικά σύνολο ιογενών σωματιδίων για να διεγείρουν το ίδιο επίπεδο ανοσοαπόκρισης σε όλους τους ανθρώπους, ανάλογα με το γενετικό background.
Η έκθεση βασίζεται σε μοντέλα υπολογιστών silico. Ο Gifford και οι συν-συγγραφείς Ge Liu και Brandon Carter, δύο διδακτορικοί φοιτητές με το CSAIL του MIT, χρησιμοποίησαν μοντέλα μηχανικής μάθησης για να προβλέψουν, με βάση τα δεδομένα των ασθενών και τα μοντέλα πρωτεϊνών στο ανοσοποιητικό σύστημα, πόσο πιθανά θα ήταν να έχουν επιτυχία τα εμβόλια. Αυτό σημαίνει, να έχουν επιτυχή διέγερση μιας ανοσολογικής απόκρισης, σε διαφορετικές πληθυσμιακές ομάδες με βάση τον αυτοαναφερόμενο εθνικό τύπο ή την γενετική καταγωγή.
Επίσης, η μηχανική εκμάθηση του MIT σχεδίασε ένα εμβόλιο COVID-19 που θα μπορούσε να καλύψει πολύ περισσότερους ανθρώπους.
Η μελέτη βασίζεται σε εργασίες που έγιναν αυτό το καλοκαίρι από την ομάδα για την ανάπτυξη δύο μοντέλων υπολογιστών που προβλέπουν την κάλυψη των εμβολίων. Το ένα, που ονομάζεται OptiVax, προβλέπει τη διέγερση ανοσολογικών αντιδράσεων ενός εμβολίου και το δεύτερο, που ονομάζεται EvalVax, χαρτογραφεί την ανοσολογική απόκριση στη βιοχημεία των πληθυσμιακών ομάδων με βάση την εθνική ή την γενετική καταγωγή.
