在多种H3N2流感变种中利用疫苗接种前抗体标位来预测疫苗接种后反应

科学领域:

• 免疫学 免疫学 免疫学
• 病毒学 病毒学
• 机器学习 机器学习

背景情况:

• 长期以来,流感病毒研究一直试图预测个体对疫苗接种的抗体反应.
• 目前使用疫苗前抗体标位仅针对疫苗菌株的模型的预测能力有限.
• 设计更有效的流感疫苗被缺乏对个性化免疫反应的理解所阻碍.

研究的目的:

• 开发一种机器学习模型,准确预测疫苗接种后流感免疫反应.
• 确定影响疫苗有效性的关键疫苗接种前特征.
• 改进流感疫苗的设计和使用.

主要方法:

• 结合了15项先前的H3N2流感疫苗研究 (1997-2021) 的数据,其中包括20,000个数据点.
• 开发了一种机器学习模型,利用疫苗接种前抗体血液凝结抑制 (HAI) 标位对抗多种流感变体.
• 通过在不同地点和不同类型的疫苗中进行四项新的疫苗研究来验证模型.

主要成果:

• 接种疫苗前对疫苗菌株和历史变异的HAI标称是最重要的预测指标.
• 该模型表现出强大的预测准确性,优于具有较低错误率的零模型.
• 一个特定的疫苗接种前特征准确地区分了强和弱的疫苗接种后反应,准确率为73%.

结论:

• 疫苗接种前对多种流感变体的抗体标位对个人疫苗接种后反应具有很高的预测性.
• 机器学习模型可以准确地识别和预测弱和强的疫苗反应.
• 这种方法为优化当前流感疫苗的使用提供了一条途径,特别是在未达到最佳反应的个体中.