Αποκωδικοποίηση των ιών της γρίπης πριν από το ξέσπασμα

Κάθε μερικές δεκαετίες, εμφανίζεται μια παραλλαγή πανδημίας γρίπης που όχι μόνο μολύνει τους ανθρώπους, αλλά περνά και γρήγορα από άτομο σε άτομο. Ο ιός της γρίπης των πτηνών H7N9 που μόλυνε περισσότερους από 130 ανθρώπους στην Κίνα αυτή την άνοιξη, κυρίως από στενή επαφή με πουλερικά, δεν έχει γίνει ακόμη ιδιαίτερα μεταδοτικός μεταξύ των ανθρώπων. Όμως, δεδομένου ότι οι άνθρωποι δεν διαθέτουν τα αντισώματα για την καταπολέμηση του ιού, το υψηλό ποσοστό θνησιμότητας (44 από τους μολυσμένους πέθαναν) και την πιθανότητα να επανεμφανιστεί αυτό το φθινόπωρο ή τον χειμώνα, επιστήμονες και αξιωματούχοι δημόσιας υγείας αγωνίζονται για να αποκαλύψουν τα μυστήρια του. P>

Πρόσφατες μελέτες του H7N9 δείχνουν ότι μπορεί να περάσει ανάμεσα σε κουνάβια, τα οποία χρησιμοποιούνται συχνά για να μοντελοποιήσουν τη μετάδοση της γρίπης στον άνθρωπο. Εάν ο ιός αποκτήσει την ικανότητα να εξαπλώνεται εύκολα μεταξύ των ανθρώπων, έχει τη δυνατότητα να είναι πιο θανατηφόρος από την πανδημία της γρίπης των χοίρων H1N1 του 2009, η οποία μπορεί να ευθύνεται για περισσότερους από 200.000 θανάτους παγκοσμίως.

Ερευνητές όπως ο Raul Rabadan, ένας θεωρητικός φυσικός που εργάζεται στη βιολογία στο Πανεπιστήμιο της Κολούμπια, θέλουν να κατανοήσουν πώς οι ιοί που συνήθως μολύνουν πουλιά ή χοίρους μεταπηδούν ξαφνικά στον άνθρωπο και στη συνέχεια μεταδίδονται εύκολα:«Ποιες είναι οι συγκεκριμένες μεταλλάξεις που συμβάλλουν στο να γίνει ένας ιός άνθρωπος παθογόνο;» εξήγησε.

Παραδοσιακά, η απάντηση σε αυτή την ερώτηση θα απαιτούσε μια επίπονη σύγκριση της αλληλουχίας DNA ή πρωτεΐνης διαφορετικών ιών. Ωστόσο, οπλισμένοι με ταχέως αναπτυσσόμενες βάσεις δεδομένων αλληλουχιών ιών, οι επιστήμονες χρησιμοποιούν τώρα εξελιγμένες τεχνικές μηχανικής εκμάθησης — ένας κλάδος της τεχνητής νοημοσύνης στον οποίο οι υπολογιστές αναπτύσσουν αλγόριθμους με βάση τα δεδομένα που τους έχουν δοθεί — για τον εντοπισμό βασικών ιδιοτήτων σε ιούς όπως ο H7N9. Η γνώση αυτών των ιδιοτήτων θα βοηθήσει τους ερευνητές να εντοπίσουν τα πιο επικίνδυνα νέα στελέχη της γρίπης και θα μπορούσε να οδηγήσει σε πιο αποτελεσματικά εμβόλια. Το πιο σημαντικό, οι επιστήμονες μπορούν τώρα να εξετάσουν εκατοντάδες ή χιλιάδες στελέχη γρίπης ταυτόχρονα, τα οποία θα μπορούσαν να αποκαλύψουν κοινούς μηχανισμούς σε διαφορετικούς ιούς ή μια ευρεία ποικιλία μετασχηματισμών που επιτρέπουν τη μετάδοση στον άνθρωπο.

«Αλλάζει ριζικά το πεδίο», είπε ο Nir Ben-Tal, υπολογιστικός βιολόγος στο Πανεπιστήμιο του Τελ Αβίβ στο Ισραήλ.

Οι ερευνητές χρησιμοποιούν επίσης αυτές τις προσεγγίσεις για να διερευνήσουν ένα ευρύ φάσμα ιικών μυστηρίων, συμπεριλαμβανομένου του τι κάνει ορισμένους ιούς πιο επιβλαβείς από άλλους και των παραγόντων που επηρεάζουν την ικανότητα ενός ιού να πυροδοτεί μια ανοσολογική απόκριση. Το τελευταίο θα μπορούσε τελικά να βοηθήσει στην ανάπτυξη εμβολίων κατά της γρίπης. Μια μελέτη που δημοσιεύθηκε τον Ιούλιο ανέλυσε διαφορές στην απόκριση του ανθρώπινου ανοσοποιητικού συστήματος στη γρίπη, εντοπίζοντας για πρώτη φορά γενετικές παραλλαγές που φαίνεται να επηρεάζουν την ικανότητα ενός ατόμου να καταπολεμήσει τον H1N1. Οι τεχνικές μηχανικής μάθησης ενδέχεται ακόμη και να επιταχύνουν τις μελλοντικές προσπάθειες για τον εντοπισμό της ζωικής πηγής των μυστηριωδών ιών.

Υπολογισμοί γρίπης των χοίρων

Για να εντοπίσουν μεταλλάξεις που μετατρέπουν έναν ιό χοίρου ή πτηνού σε ανθρώπινο, οι επιστήμονες παραδοσιακά συνέκριναν τις πρωτεϊνικές αλληλουχίες από στελέχη ιού πριν και αφού αναπτύξουν την ικανότητα να μολύνουν ανθρώπους. Οι ερευνητές έπρεπε να αξιολογήσουν χειροκίνητα τις αλληλουχίες για διαφορές, εστιάζοντας σε περιοχές που είναι γνωστό ότι είναι σημαντικές για τη μετάδοση, όπως η αιμοσυγκολλητίνη, η πρωτεΐνη που δεσμεύει τον ιό στο κύτταρο ξενιστή. Η επίπονη φύση αυτής της μεθόδου σήμαινε ότι οι ερευνητές μπορούσαν να εξετάσουν μόνο δεκάδες ιούς τη φορά.

«Είναι μια αρκετά ωμή προσέγγιση», είπε ο Richard Webby, ιολόγος στο νοσοκομείο St. Jude Children's Research Hospital στο Μέμφις.

Μόλις οι ερευνητές εντοπίσουν υποψήφιες μεταλλάξεις, μπορούν να τροποποιήσουν γενετικά αυτούς τους υποψηφίους σε έναν μη ανθρώπινο ιό για να εξετάσουν το αποτέλεσμα. Αν και αυτή η προσέγγιση έχει εντοπίσει ορισμένες μεταλλάξεις που πιθανώς συνέβαλαν στην πανδημία της γρίπης των χοίρων και άλλων γρίπης, υπάρχουν ορισμένα μειονεκτήματα. Για παράδειγμα, αυτή η μέθοδος μπορεί να περιλαμβάνει τη δημιουργία ενός δυνητικά επικίνδυνου ιού. Δύο άρθρα που δημοσιεύθηκαν το 2012 για τη γρίπη των πτηνών H5N1, η οποία συνήθως δεν εξαπλώνεται στους ανθρώπους, προκάλεσαν σάλο επειδή οι ερευνητές εισήγαγαν μεταλλάξεις που έκαναν τον ιό να μπορεί να εξαπλωθεί καλύτερα μεταξύ των κουναβιών. Οι επικριτές ανησυχούσαν ότι τα ευρήματα θα μπορούσαν να επιληφθούν από βιοτρομοκράτες, αλλά η έρευνα τελικά δημοσιοποιήθηκε.

Αυτή η προσέγγιση απαιτεί επίσης προηγούμενη γνώση των μηχανισμών της ανθρώπινης μεταδοτικότητας, περιορίζοντας την ικανότητά του να ανακαλύπτει νέους μηχανισμούς. «Έπρεπε να ξεκινήσουν τη διαδικασία με κάποιες μεταλλάξεις που οι άνθρωποι γνώριζαν ότι ήταν σημαντικές», είπε ο Webby. "Η υπολογιστική προσέγγιση δεν βασίζεται στη βιολογία στις αρχικές φάσεις, επομένως μπορεί να λειτουργήσει όπου η βιολογική προσέγγιση δεν μπορεί."

Το 2011, οι Ben-Tal, Webby και οι συνεργάτες τους έγιναν οι πρώτοι που χρησιμοποίησαν μηχανική εκμάθηση για να συγκρίνουν αλληλουχίες πρωτεϊνών της πανδημίας γρίπης των χοίρων του 2009 H1N1 με εκατοντάδες άλλους ιούς των χοίρων. Έψαχναν για αλλαγές που μπορεί να ήταν υπεύθυνες για το άλμα του από χοίρους σε ανθρώπους. «Πριν από τότε, είχαμε δει πολλές λοιμώξεις από ανθρώπους, αλλά όχι εξάπλωση από άνθρωπο σε άνθρωπο», είπε ο Γουέμπι, ο οποίος διευθύνει επίσης ένα κέντρο του Παγκόσμιου Οργανισμού Υγείας που μελετά τη γρίπη σε ζώα.

Οι αλγόριθμοι μηχανικής μάθησης έχουν χρησιμοποιηθεί για τη μελέτη αλληλουχιών DNA και πρωτεϊνών για περισσότερα από 20 χρόνια, αλλά μόνο τα τελευταία χρόνια οι επιστήμονες τους έχουν εφαρμόσει σε ιούς. Εμπνευσμένη από τον αυξανόμενο αριθμό δεδομένων αλληλουχίας ιών που είναι διαθέσιμα για ανάλυση, η ομάδα του Ben-Tal χρησιμοποίησε μια προσέγγιση που ονομάζεται εποπτευόμενη μάθηση. Με αυτήν τη μέθοδο, κάθε τμήμα δεδομένων εισόδου που χρησιμοποιείται για την εκπαίδευση του αλγόριθμου επισημαίνεται με μια κατηγορία, σε αυτήν την περίπτωση εάν η αλληλουχία του ιού προήλθε από χοίρους ή ανθρώπους. Ο αλγόριθμος που προκύπτει ορίζει ένα δέντρο αποφάσεων ικανό να ταξινομεί με ακρίβεια τους ιούς στην κατάλληλη ομάδα - ανθρώπους ή χοίρους. Οι κόμβοι του δέντρου δείχνουν τα συγκεκριμένα αμινοξέα, ή δομικά στοιχεία πρωτεϊνών, που διαφοροποιούν αξιόπιστα τις ομάδες. Ο Ben-Tal είπε ότι αυτή η συγκεκριμένη προσέγγιση, που ονομάζεται αλγόριθμος εναλλασσόμενου δέντρου αποφάσεων, είναι τυπική στη μηχανική μάθηση, αλλά είχε εφαρμοστεί σπάνια σε βιολογικά δεδομένα πριν από τη μελέτη της ομάδας του.

Στη μελέτη, οι ερευνητές εντόπισαν 13 αλλαγές αμινοξέων που φάνηκε να διακρίνουν τους ανθρώπινους ιούς από τους ιούς που παρέμειναν στους χοίρους και άλλες 10 αλλαγές αμινοξέων που διέκριναν το πανδημικό στέλεχος από την τυπική εποχική γρίπη. Ένας ή περισσότεροι από αυτούς τους υποψηφίους, τους οποίους οι επιστήμονες ανέλυσαν από τότε με περισσότερες λεπτομέρειες, θα μπορούσαν να εξηγήσουν τον επικίνδυνο μετασχηματισμό του ιού. (Ο Ben-Tal, ο Webby και οι συνεργάτες τους θα δημοσιεύσουν σύντομα μια εργασία που θα χαρακτηρίζει μια μετάλλαξη που λένε ότι βοήθησε τον H1N1 να γίνει πανδημικός ιός.)

Ένα από τα βασικά οφέλη της υπολογιστικής προσέγγισης ήταν ότι οι ερευνητές μπόρεσαν να κοιτάξουν πέρα ​​από τους τυπικούς στόχους, περιοχές του γονιδιώματος που είναι γνωστό ότι εμπλέκονται σε χαρακτηριστικά όπως η μεταδοτικότητα. Για παράδειγμα, μερικές από τις υποψήφιες μεταλλάξεις βρίσκονται κοντά αλλά έξω από τη συγκεκριμένη θέση όπου η αιμοσυγκολλητίνη συνδέεται με το κύτταρο ξενιστή.

«Το υπόλειμμα που ήταν σημαντικό δεν ήταν σε μέρος της πρωτεΐνης που είχαμε ποτέ προβλέψει», είπε ο Webby. "Αν είχα χρησιμοποιήσει τους παλιούς τρόπους εξέτασης των αλλαγών, δεν θα κοίταζα αυτό το συγκεκριμένο μέρος της πρωτεΐνης."

Νέοι ιοί

Ο Ραμπαντάν και οι συνεργάτες του στην Κολούμπια χρησιμοποιούν τώρα μια παρόμοια προσέγγιση για να εξερευνήσουν ευρύτερα αυτές τις ιδιότητες του ιού, αναλύοντας μια βάση δεδομένων με περισσότερα από 60.000 γονιδιώματα ιών. Οι μεγάλοι αριθμοί επιτρέπουν μια πιο ισχυρή στατιστική ανάλυση και βοηθούν στον εντοπισμό των πιο σημαντικών γενετικών αλλαγών, είπε ο Rabadan. Ενώ η μελέτη H1N1 αναζήτησε συγκεκριμένες αλλαγές που έκαναν τον ιό να μεταπηδήσει στους ανθρώπους, η ομάδα του Rabadan ελπίζει να εντοπίσει μηχανισμούς κοινούς σε διαφορετικούς ιούς. Για παράδειγμα, εάν δύο είδη ιών αναπτύξουν την ίδια γενετική αλλαγή, ένα φαινόμενο γνωστό ως συγκλίνουσα εξέλιξη, υποδηλώνει ότι η αλλαγή μπορεί να εμπλέκεται στην υπό μελέτη λειτουργία, όπως η ανθρώπινη μετάδοση, αντί να συμβαίνει τυχαία. «Έχουμε τη δύναμη να μην βλέπουμε ένα ξέσπασμα τη φορά», είπε ο Ραμπαντάν.

Οι ερευνητές έχουν συντάξει έναν κατάλογο υποψήφιων μεταλλάξεων, μερικές από τις οποίες έχουν ήδη αναγνωριστεί ότι παίζουν ρόλο στην ανθρώπινη μετάδοση. Για τους νέους υποψήφιους, οι ερευνητές τώρα μελετούν ιούς με αυτές τις μεταλλάξεις σε ανθρώπινες κυτταρικές σειρές για να δουν πόσο αποτελεσματικά μπορούν να μολύνουν ανθρώπινα κύτταρα.

Δεν είναι ακόμη σαφές πόσο επιτυχημένη θα είναι η προσέγγιση στην ανάλυση ιών που δεν έχουν γίνει ακόμη ιδιαίτερα μεταδοτικοί. Ο Ben-Tal είπε ότι η ομάδα του είχε αρχικά δοκιμάσει την προσέγγισή της στον ιό H5N1, ο οποίος, όπως και ο H7N9, δεν έχει την ικανότητα να εξαπλώνεται εύκολα μεταξύ των ανθρώπων, αλλά διαπίστωσε ότι ήταν πολύ πιο δύσκολο να εντοπιστούν οι αλλαγές αμινοξέων μοναδικές για τις ανθρώπινες εκδόσεις. (Σε αντίθεση με τις περιπτώσεις H1N1, αυτές που αφορούν H5N1 και H7N9 έχουν περιοριστεί κυρίως σε άτομα που είχαν στενή επαφή με πτηνά.)

«Τα δεδομένα αντιπροσωπεύουν μια συλλογή διαφορετικών στελεχών πτηνών που μεταλλάχθηκαν σε διαφορετικές θέσεις αμινοξέων και μόλυναν ανθρώπους», είπε ο Ben-tal. «Αυτό είναι ενδιαφέρον γιατί μπορεί να σημαίνει ότι υπάρχουν πολλές μεταλλάξεις που διευκολύνουν τη διέλευση του φραγμού από πτηνά σε άνθρωπο». Αλλά καθιστά δύσκολο τον εντοπισμό συγκεκριμένων ενόχων. Είπε ότι το H7N9 μπορεί να είναι δύσκολο να αναλυθεί για τον ίδιο λόγο.

Εν τω μεταξύ, ο Tomer Hertz, ερευνητής στο Κέντρο Ερευνών Καρκίνου Fred Hutchinson στο Σιάτλ, και συνεργάτες στο St. Jude's Children's Hospital και αλλού, χρησιμοποιούν μηχανική μάθηση για να μελετήσουν την απόκριση του ανθρώπινου ανοσοποιητικού συστήματος σε αυτά τα στελέχη του ιού. Τον Ιούλιο, δημοσίευσαν νέα έρευνα που υποδηλώνει για πρώτη φορά ότι το ανοσοποιητικό προφίλ ενός ατόμου επηρεάζει πόσο καλά μπορεί αυτό το άτομο να καταπολεμήσει τα νέα στελέχη της γρίπης.

Ο κύριος λόγος που νέοι ιοί όπως οι H1N1, H7N9 και H5N1 είναι τόσο επικίνδυνοι είναι ότι οι άνθρωποι έχουν μικρή ή καθόλου υπάρχουσα ικανότητα να τους επιτεθούν και να τους εξουδετερώσουν. Ελλείψει αντισωμάτων από εμβόλια ή προηγούμενες λοιμώξεις, το ανθρώπινο ανοσοποιητικό σύστημα βασίζεται σε Τ-κύτταρα, τα οποία επιτίθενται σε ξένες πρωτεΐνες και σε ανθρώπινα λευκοκυτταρικά αντιγόνα (HLAs) που συνδέονται με μικρά κομμάτια ιικών πρωτεϊνών. Στη συνέχεια, τα κομμάτια των ιικών πρωτεϊνών παρουσιάζονται στα Τ κύτταρα, τα οποία ενεργοποιούν διαφορετικές διαδικασίες για την εξάλειψή τους.

Τα γονίδια HLA είναι πολύ διαφορετικά:Ο ανθρώπινος πληθυσμός φέρει χιλιάδες ποικιλίες, αν και κάθε άτομο διαθέτει μόνο 12. Ο Hertz και οι συνεργάτες του είχαν προηγουμένως δείξει ότι ορισμένες πρωτεΐνες HLA είναι καλύτερες στο να στοχεύουν τις διατηρημένες περιοχές των ιών, τμήματα της αλληλουχίας που παραμένουν σταθερά με την πάροδο του χρόνου και είναι παρόμοια σε διαφορετικά στελέχη. Αυτό διασφαλίζει ότι το ανοσοποιητικό σύστημα είναι σε θέση να στοχεύσει την ευρύτερη δυνατή συλλογή ιών. Πράγματι, το προφίλ HLA ενός ατόμου μπορεί να επηρεάσει τον τρόπο με τον οποίο ανταποκρίνεται σε ορισμένους ιούς, συμπεριλαμβανομένου του HIV. Τα άτομα που δεν αναπτύσσουν AIDS μετά τη μόλυνση από τον ιό HIV είναι πιο πιθανό να έχουν ορισμένες παραλλαγές HLA. Η ομάδα της Hertz έδειξε ότι εκείνες οι παραλλαγές που είναι πιο αποτελεσματικές στη στόχευση των διατηρημένων τμημάτων του ιού.

Για τη νέα μελέτη, που δημοσιεύτηκε στο Proceedings of the National Academy of Sciences, οι ερευνητές χρησιμοποίησαν υπολογιστικές προσεγγίσεις για να αποκαλύψουν ότι οι άνθρωποι των οποίων οι παραλλαγές HLA είναι λιγότερο αποτελεσματικές στη στόχευση διατηρημένων ιικών περιοχών παρουσιάζουν ασθενέστερη ανοσολογική απόκριση. Η υπολογιστική ανάλυση αποκάλυψε ότι μια συγκεκριμένη κατηγορία παραλλαγών HLA, γνωστή ως HLA-A*24, είναι ιδιαίτερα αναποτελεσματική.

Η μελέτη διαπίστωσε επίσης ότι οι χώρες με υψηλότερα ποσοστά θνησιμότητας από τον Η1Ν1 έτειναν να έχουν υψηλότερη συχνότητα αλληλόμορφων HLA-A*24. Επιπλέον, εντός των Ηνωμένων Πολιτειών και της Αυστραλίας, οι ιθαγενείς και οι αυτόχθονες πληθυσμοί της Αμερικής τείνουν να έχουν υψηλότερα ποσοστά αυτής της οικογένειας παραλλαγών και και οι δύο υπέφεραν υψηλότερα ποσοστά θνησιμότητας από τους γύρω πληθυσμούς. Ο Hertz είπε ότι χρειάζεται περαιτέρω εργασία για να επιβεβαιωθεί η αιτιολογική σύνδεση μεταξύ των αλληλόμορφων HLA-A*24 και του μεγαλύτερου κινδύνου θανάτου από τον Η1Ν1.

Ο Hertz, ο οποίος συνεργάστηκε με τους Ben-Tal και Webby για τη μελέτη H1N1, είπε ότι αυτή η εργασία ενεργοποιείται από ταχέως αναπτυσσόμενες πηγές δεδομένων τόσο για ιούς όσο και για το ανοσοποιητικό σύστημα. "Είχαμε αυτή την ιδέα πριν από μερικά χρόνια, αλλά δεν πιστεύαμε ότι ήταν τόσο εφικτό μέχρι τώρα", είπε.

Πέρα από τη γρίπη, ο Ραμπαντάν και ο Κρις Γουίγκινς, ένας μαθηματικός στην Κολούμπια, έχουν αναπτύξει μια μέθοδο για την αναγνώριση του αρχικού ζώου ξενιστή ενός ιού, η οποία μερικές φορές είναι δύσκολο να προσδιοριστεί από τον ίδιο τον ιό. Ο κοροναϊός πίσω από το πρόσφατο ξέσπασμα του αναπνευστικού συνδρόμου της Μέσης Ανατολής, για παράδειγμα, έχει σκοτώσει σχεδόν τα μισά από τα περισσότερα από 100 επιβεβαιωμένα κρούσματα. Την περασμένη εβδομάδα, μια εξαντλητική αναζήτηση 15 μηνών έδειξε ότι οι νυχτερίδες ήταν η πηγή. Ωστόσο, οι προσεγγίσεις μηχανικής εκμάθησης σε συνδυασμό με μεγάλες βάσεις δεδομένων που περιέχουν πληροφορίες για ιούς από πολλούς διαφορετικούς ξενιστές ζώων ενδέχεται να επιταχύνουν αυτόν τον τύπο αναζήτησης.

Η προσέγγιση της μηχανικής μάθησης είναι πιθανό να επεκταθεί καθώς γίνονται διαθέσιμες ακόμη περισσότερες πληροφορίες γονιδιώματος. «Οι βάσεις δεδομένων θα γίνουν πολύ πλουσιότερες και οι υπολογιστικές προσεγγίσεις θα γίνουν πολύ πιο ισχυρές», είπε ο Webby. Αυτό με τη σειρά του θα βοηθήσει τους επιστήμονες να παρακολουθούν καλύτερα τα αναδυόμενα στελέχη της γρίπης και να προβλέψουν τον αντίκτυπό τους, ιδανικά προβλέποντας πότε ένας ιός είναι πιθανό να μεταπηδήσει στους ανθρώπους και πόσο επικίνδυνος είναι πιθανό να γίνει.