Wissenschaftler:innen des Massachusetts Institute of Technology (MIT) haben ein künstliches Intelligenz-System namens VaxSeer entwickelt, das die Auswahl der Influenzastämme für saisonale Impfstoffe präziser und vorhersehbarer machen soll. Jedes Jahr müssen globale Gesundheitsbehörden, darunter die Weltgesundheitsorganisation (WHO), auf Basis begrenzter Daten entscheiden, welche Stämme in den kommenden Impfstoffen enthalten sein sollen – ein Prozess, der Monate vor Beginn der Grippezeit stattfindet. Da das Influenzavirus sich ständig verändert, kann eine falsche Prognose zu erheblich reduzierter Impfstoffwirksamkeit führen. Während der Pandemie wurde diese Herausforderung noch deutlicher, da auch bei SARS-CoV-2 neue Varianten auftauchten, kurz nachdem Impfstoffe bereitgestellt wurden. VaxSeer zielt darauf ab, diesen Prozess durch präzise Vorhersagen zu verbessern. Das System nutzt tiefes Lernen und große Datensätze aus viralen Genomen und Laboruntersuchungen, um die Entwicklung des Influenzavirus und die Wirksamkeit von Impfstoffen monate vorher vorherzusagen. Im Gegensatz zu traditionellen Modellen, die einzelne Aminosäuremutationen isoliert betrachten, berücksichtigt VaxSeer kombinatorische Effekte von Mutationen über einen proteinbasierten Sprachmodell-Ansatz. Es modelliert dynamische Dominanzverschiebungen, was besonders wichtig für schnell mutierende Viren wie Influenza ist. VaxSeer verfügt über zwei Hauptkomponenten: eine für die Vorhersage der Übertragbarkeit (Dominanz) und eine für die Antigenität – also wie gut ein Impfstoff einen Stamm neutralisieren kann. Zusammen ergeben sie einen „Coverage-Score“, der die erwartete Wirksamkeit eines Impfstoffs misst. Je näher der Wert an null liegt, desto besser die Übereinstimmung. In einer retrospektiven Analyse über zehn Jahre zeigte VaxSeer gegenüber den WHO-Empfehlungen für die Subtypen A/H3N2 und A/H1N1 überzeugende Ergebnisse: Bei A/H3N2 übertraf es die WHO in neun von zehn Saisons, bei A/H1N1 in sechs. Ein besonderer Erfolg war die Vorhersage eines Stammes für das Jahr 2016, den die WHO erst 2017 berücksichtigte. Die Vorhersagen korrelierten stark mit echten Daten zur Impfstoffwirksamkeit aus den USA, Kanada und Europa. Die Methode basiert auf einem mathematischen Modell, das gewöhnliche Differentialgleichungen nutzt, um das Wachstum von Viren zu simulieren, und auf der Hemagglutinationshemmungs-Test (HI-Test), um die Antigenität zu schätzen. Derzeit beschränkt sich VaxSeer auf das Hemagglutinin-Protein (HA), könnte aber zukünftig auch Neuraminidase (NA) und Faktoren wie Immunverlauf oder Herstellungsbedingungen einbeziehen. Die Anwendung auf andere Viren erfordert jedoch hochwertige, öffentlich zugängliche Daten – ein Bereich, an dem das Team bereits arbeitet, insbesondere in Datenarmen Szenarien. Regina Barzilay, AI-Leiterin am MIT Jameel Clinic, betont, dass VaxSeer ein Schritt sei, um der raschen Virusentwicklung endlich zuvorzukommen. Jon Stokes von der McMaster University sieht darin ein vielversprechendes Werkzeug nicht nur für Influenza, sondern auch für resistente Bakterien oder Krebszellen, die sich schnell an Therapien anpassen. Die Forschung wurde durch das US-Verteidigungsministerium und das MIT Jameel Clinic unterstützt. Die Entwicklung von VaxSeer markiert einen bedeutenden Fortschritt in der präventiven Gesundheitsforschung. Durch die Integration von KI und biologischer Dynamik könnte die Impfstoffentwicklung künftig schneller, präziser und proaktiver werden – ein Paradigmenwechsel, der nicht nur die Grippe, sondern auch andere sich rasch verändernde Krankheiten betreffen könnte.