Según la ciencia, ¿cuál será la próxima variante del COVID-19?

Desarrollaron un modelo de
Desarrollaron un modelo de “aprendizaje automático” para predecir qué variantes virales son dominantes y es probable que generen nuevas olas / Archivo

Científicos del Instituto Broad del MIT y Harvard y de la Facultad de Medicina de la Universidad de Massachusetts en Estados Unidos, desarrolló un modelo de “aprendizaje automático” que puede analizar millones de genomas de muestras de coronavirus y predecir qué variantes virales dominarán y probablemente provocarán nuevas olas. El modelo se llamó PyR0 y podría ayudar a los investigadores a identificar qué partes del genoma viral tienen menos probabilidades de mutar. y, por lo tanto, son buenos objetivos para las vacunas que funcionarán contra futuras variantes. Los resultados fueron publicados en la revista Ciencias.

Los investigadores entrenaron el modelo de aprendizaje automático con 6 millones de genomas de coronavirus SARS-CoV-2 ubicados en la base de datos GISAID a partir de enero de 2022.. Demostraron que su herramienta también puede estimar el efecto de las mutaciones genéticas en la aptitud del virus, es decir, su capacidad para replicarse y propagarse en una población.

Cuando el equipo probó su modelo con datos genómicos del virus a partir de enero de 2022, predijeron el surgimiento de la variante BA.2, que sería dominante en muchos países en marzo de 2022. Ahora también predomina entre los afectados por el COVID-19 en Argentina. PyR0 también habría identificado la variante alfa (B.1.1.7) a fines de noviembre de 2020, un mes antes de que la Organización Mundial de la Salud la clasificara como una variante preocupante.

El modelo predijo el auge de la variante BA.2, que se volvió dominante en muchos países en marzo de 2022/ REUTERS/Elijah Nouvelage/Archivo
El modelo predijo el auge de la variante BA.2, que se volvió dominante en muchos países en marzo de 2022/ REUTERS/Elijah Nouvelage/Archivo

El equipo de investigación está formado por el primer autor Fritz Obermeyer, miembro del Instituto Broad cuando comenzó el estudio, y los autores principales Jacob Lemieux, profesor asociado de medicina en la Escuela de Medicina de Harvard y el Hospital General de Massachusetts, y Pardis Sabeti, miembro del Instituto Broad, profesor de del centro de Biología de Sistemas y del Departamento de Biología Evolutiva y Organísmica de la Universidad de Harvard y Profesor del Departamento de Inmunología y Enfermedades Infecciosas de la Escuela de Salud Pública TH Chan de Harvard. Sabeti también es investigadora en el Instituto Médico Howard Hughes.

El modelo PyR0 se basa en un marco de aprendizaje automático llamado Pyro, que fue desarrollado originalmente por un equipo de Uber AI Labs, la empresa que ofrece servicios de movilidad a través de una aplicación. En 2020, tres miembros de este equipo, incluidos Obermeyer y Martin Jankowiak, coautor del estudio, se unieron al Instituto Broad y comenzaron a aplicar el marco a la biología.

“Este trabajo fue el resultado de combinar biólogos y genetistas con ingenieros informáticos y de software”, dijo Lemieux. “Hemos podido abordar algunas preguntas de salud pública realmente desafiantes que ningún enfoque disciplinario único podría haber respondido”, agregó.

“Este tipo de enfoque basado en el aprendizaje automático, donde todos los datos se analizan y combinan en una sola predicción, es extremadamente valioso”, dijo Sabeti. “Nos da una ventaja para identificar lo que está surgiendo y que podría representar una amenaza potencial”.

El modelo determina qué mutaciones del coronavirus son más comunes y estima qué tan rápido cada mutación puede conducir a la propagación del virus.  (Imágenes falsas)
El modelo determina qué mutaciones del coronavirus son más comunes y estima qué tan rápido cada mutación puede conducir a la propagación del virus. (Imágenes falsas)

Desde que comenzó la pandemia, investigadores de todo el mundo han estado trabajando para predecir la aptitud de las diferentes variantes del coronavirus. pero los modelos anteriores no podían comparar todas las variantes a la vez, o tardaban días en procesar solo unos pocos miles de genomas.

En cambio, PyR0 puede analizar millones de genomas, todos los datos de coronavirus disponibles públicamente, en aproximadamente una hora. Para ello, agrupa secuencias similares y define “grupos” de genomas por la constelación de mutaciones que comparten. Al centrarse en las mutaciones que pueden ocurrir en múltiples variantes, PyR0 tiene más poder estadístico que los modelos que se centran en las variantes virales.

Luego, El modelo determina qué mutaciones son más comunes y estima qué tan rápido cada mutación puede conducir a la propagación del virus. También se estima qué tan rápido aumentará el número de casos de las diferentes variantes debido a su composición genética.

Al identificar qué mutaciones son importantes para la aptitud de qué variantes, el modelo también proporciona información biológica sobre la propagación y evolución de COVID-19. Por ejemplo, conocer las mutaciones críticas puede ayudar a los científicos a predecir si las nuevas variantes son más contagiosas o evaden los anticuerpos neutralizantes, y también puede ayudarlos a decidir qué mutaciones estudiar más de cerca.

Con el nuevo modelo "aprendizaje automático"Los funcionarios de salud podrían tomar mejores decisiones / GETTY
Con el nuevo modelo de aprendizaje automático, las autoridades sanitarias podrían tomar mejores decisiones / GETTY

El genoma del coronavirus SARS-CoV-2 ha acumulado muchas mutaciones, por lo que es muy difícil analizar todas las combinaciones de mutaciones‘, explica Jankowiak, investigador de aprendizaje automático en Broad. “La ventaja de este tipo de análisis es que examina todo el genoma de manera integral y puede localizar mutaciones o variantes que reciben menos atención en el laboratorio”, dijo.

Los investigadores dicen que su estudio sugiere que el aumento actual en la aptitud viral se debe a la capacidad del virus para evadir las respuestas inmunitarias. Sugirieron que con un aviso previo de la secuencia y las características de una variante, los funcionarios de salud pública podrían tomar medidas específicas para gestionar el número de casos. Y saber qué mutaciones contribuyen a la supervivencia de una variante, y por lo tanto es poco probable que cambien, puede ayudar a los investigadores a elegir mejores objetivos para futuras vacunas.

Las nuevas versiones de este modelo u otros similares podrían mejorar las predicciones al tener en cuenta las interacciones entre mutaciones. Los investigadores dijeron que con más trabajo, su modelo podría ayudar a controlar otros virus que tengan suficientes datos genéticos.

La cantidad de datos que tenemos, junto con los métodos que hemos desarrollado, nos permite obtener información en tiempo real sobre la evolución del virus en diferentes partes del mundo de una manera que no fue posible en epidemias anteriores.Sí”, dijo Obermeyer. “En 1917, la gente solo sabía si tenía gripe o no. Ahora tenemos una descripción muy detallada de miles de diferentes sublinajes del coronavirus. Eso es increíble”.

SIGUE LEYENDO:

Las recientes subvariantes de Ómicron podrían dar pistas sobre las nuevas oleadas de contagio
Sin vacunación, la infección por Ómicron no ofrece protección frente a otras variantes del coronavirus
¿Endemia o sindemia?: ¿Cómo ve el futuro del COVID-19, según los expertos?
¿Por qué las personas pueden infectarse con COVID varias veces al año?