Νέα μελέτη του Arizona State University δείχνει ότι η τεχνητή νοημοσύνη μπορεί να εντοπίσει συγκεκριμένα σημάδια στο αίμα ενός ανθρώπου, τα οποία ενδέχεται να αποκαλύπτουν πόσο ισχυρά θα ανταποκριθεί ο οργανισμός του σε ένα εμβόλιο, ακόμη και πριν αυτό χορηγηθεί.
Οι ερευνητές ανέλυσαν περισσότερα από 8.600 δείγματα αίματος από 4.089 ανθρώπους, αναζητώντας αντισώματα που αναγνωρίζουν 185 διαφορετικά αντιγόνα. Στα δείγματα περιλαμβάνονταν στοιχεία από τον οργανισμό ανθρώπων με διαφορετικές καταστάσεις υγείας, αλλά και από υγιείς εθελοντές.
Με τη βοήθεια μοντέλων τεχνητής νοημοσύνης, η ερευνητική ομάδα συνέκρινε τα ανοσολογικά χαρακτηριστικά που υπήρχαν πριν και μετά τον εμβολιασμό κατά της COVID-19. Η ανάλυση αποκάλυψε συγκεκριμένες «υπογραφές» αντισωμάτων που συνδέονταν με ισχυρότερη ή ασθενέστερη απόκριση στο εμβόλιο.
Ιδιαίτερο ενδιαφέρον παρουσίασαν ορισμένα αντισώματα που υπήρχαν ήδη στο αίμα πριν από τον εμβολιασμό. Υψηλότερα επίπεδα αντισωμάτων απέναντι σε μικρόβια όπως ο Staphylococcus aureus, ο RSV και ο ανθρώπινος respirovirus 3 συσχετίστηκαν με καλύτερη απόκριση στο εμβόλιο.
Οι επιστήμονες χαρακτηρίζουν αυτά τα αντισώματα «sentinel», καθώς μπορεί να λειτουργούν ως δείκτες της συνολικής ετοιμότητας του ανοσοποιητικού. Δεν σημαίνει ότι επιτίθενται άμεσα στον στόχο του εμβολίου, αλλά ότι ενδέχεται να παρέχουν πληροφορίες για το πόσο έτοιμο είναι το ανοσοποιητικό σύστημα να ενεργοποιήσει μια ισχυρή αντίδραση.
Η κατάσταση της υγείας δεν αρκεί για πρόβλεψη
Η ηλικία, το φύλο, η γενετική, προηγούμενες λοιμώξεις και διάφορες παθήσεις μπορούν να επηρεάσουν την αποτελεσματικότητα ενός εμβολίου. Ωστόσο, οι ερευνητές διαπίστωσαν ότι η κατηγοριοποίηση ενός ανθρώπου ως «υγιούς» ή «ανοσοκατεσταλμένου» δεν μπορούσε από μόνη της να προβλέψει με ακρίβεια την αντίδρασή του.
Ορισμένοι άνθρωποι με εξασθενημένο ανοσοποιητικό εξακολουθούσαν να παρουσιάζουν ισχυρή απόκριση, ενώ περίπου 5%-6% των υγιών συμμετεχόντων εμφάνισαν σχετικά ασθενή αντίδραση.
Η AI αναλύει ολόκληρο το ανοσολογικό προφίλ
Για να εντοπίσουν πιο σύνθετες σχέσεις, οι ερευνητές χρησιμοποίησαν μοντέλο βαθιάς μάθησης, το οποίο εξέτασε ταυτόχρονα μεγάλο αριθμό αντισωμάτων. Με αυτόν τον τρόπο, η AI μπορούσε να αναζητήσει μοτίβα που πιθανότατα δεν θα ήταν εύκολο να εντοπιστούν εξετάζοντας έναν μόνο βιοδείκτη.
Τα αποτελέσματα υποδεικνύουν ότι η ανοσολογική «ετοιμότητα» ενός ανθρώπου μπορεί να αποτυπώνεται μέσα από έναν συνδυασμό πολλών διαφορετικών σημάτων στο αίμα.
Εάν τα ευρήματα επιβεβαιωθούν από μελλοντικές μελέτες και σε άλλα εμβόλια, η συγκεκριμένη τεχνολογία θα μπορούσε να συμβάλει σε μια πιο εξατομικευμένη προσέγγιση στον εμβολιασμό. Σε βάθος χρόνου, θα μπορούσε να βοηθήσει στον εντοπισμό ανθρώπων που ενδέχεται να χρειάζονται πρόσθετες δόσεις, στενότερη παρακολούθηση ή διαφορετικές στρατηγικές προστασίας
