利用人工智能预测病毒变异

有效的大流行准备依赖于预测能够逃避宿主免疫反应的病毒突变，以促进疫苗和治疗的设计。然而，当前的病毒进化预测策略在大流行初期不可用，现有的计算方法主要依赖于当前菌株的流行情况来做出可靠的突变体预测。一项发表在《Nature》上的研究《Learning from prepandemic data to forecast viral escape》通过开发了一个通用的模块化框架—EVEscape，可在不依赖于大流行测序或抗体结构的前提下预测病毒的逃逸潜力，不仅在预测SARS-CoV-2的大流行变异方面与高通量一样准确，还可推广到其他病毒类型。

EVEscape结合了深度学习模型和生物物理约束

作者构建了一个包含从不同数据源学习的不同方面病毒蛋白功能约束的建模框架—EVEscape，并将突变导致免疫逃逸的概率表示为三个概率的乘积：维持病毒适应性的概率（fitness）、发生在抗体可访问区域的概率（accessibility）以及破坏抗体结合的概率（dissimilarity）。这些组件可以使用大流行前的数据源进行预处理，从而实现早期预警。

图1 深度生成序列模型早期预测抗体逃逸，结构和生物物理约束。

利用已有疫情数据预测疫情变异

为了测试模型进行早期预测的能力，研究人员利用SARS-CoV-2大流行之前的可用信息进行了一项回顾性研究，将预测结果与随后在大流行中观察到的突变进行比较。到2023年5月，预测的刺突蛋白的受体结合域（RBD）突变中的50%在疫情中被观察到。这一结果表明，在大流行之前，可以很好地用EVEscape预测逃逸位点，并可能在逃逸抗性治疗设计和有效性的早期预警方面有实际应用。

图2 EVEscape 不使用抗体信息识别抗原区域。

图3 EVEscape 预测大流行变化的准确性与大流行期间的实验扫描相同。

EVEscape 和高通量实验的比较准确性

作者将 EVEscape 的表现与高通量实验进行了比较，高通量实验在识别和预测可能使病毒变种产生免疫逃逸的病毒变种方面极为宝贵。然而，这些实验需要感染或接种疫苗的人的多克隆或单克隆抗体，这限制了它们的早期预测能力。尽管在计算时所用的序列比 17 个月前的序列更早，EVEscape 在预测大流行变异方面与最新的高通量实验扫描结果一样准确甚至更好。

图4 EVEscape 和实验做出了不同的、互补的逃逸预测。

使用 EVEscape 进行应力预测

为了创建基于单株的逃逸预测，作者对一种变异株中的所有个体刺突突变的 EVEscape 预测进行了汇总，评估了 EVEscape 变异株预测与实验测量的变异株免疫逃避的一致性，以及它们对从随机序列池中和同一疫情时间点观察到的其他变异株中已知逃逸变异株的识别。

图5 识别具有高逃逸潜力的菌株并预测未来大流行中的逃逸。

结论

综上所述，EVEscape 是一个模块化、可扩展且可解释的概率框架，旨在预测大流行早期的逃逸突变，并识别在大流行进展中广泛存在先存免疫力的人群中最有可能观察到的菌株及其突变体。由于该框架适用于多种病毒，EVEscape 可以从一开始就用于未来的疫情，以及更好地理解和为新兴病原体做好准备。

参考资料：

[1] Thadani NN, Gurev S, Notin P, et al. Learning from prepandemic data to forecast viral escape. Nature. 2023;622(7984):818-825. doi:10.1038/s41586-023-06617-0