麻省理工学院的研究人员表示，一种带有机器学习扭曲的疫苗新方法可能会终结加强剂和季节性变异注射。这种“泛变体”疫苗会忽略病毒本身，但会通过抑制受感染的细胞来快速控制感染。
需要明确的是，这仍处于动物测试阶段，离部署还差得很远。但是随着 COVID 成为人类的常驻病毒，需要比偶尔为特别坏的毒株提供助推器更持久的解决方案。
问题是，尽管 mRNA 疫苗很神奇，但它们是反应性的，而不是主动性的：你看到一个变体，你对它的刺突蛋白或其他一些独特的特征进行采样，然后将它放入免疫系统中，这样它就知道要启动了了望台。这有点像让搜救犬嗅走迷路的徒步旅行者的财物。
麻省理工学院计算机科学与人工智能实验室的研究人员希望找到另一种更持久的方法来保护人体免受 COVID 攻击。一篇描述他们发现的论文今天发表在《免疫学前沿》杂志上。
该团队决定押注攻击病毒本身的想法，因为它最显着的特征，即刺突蛋白，总是在变化。相反，他们专注于某些分子信号，这些信号可靠地出现在被病毒感染的细胞表面。如果能及早发现这些，并迅速部署免疫系统的 T 细胞，感染就会在达到危险甚至潜在的感染水平之前停止。
这些表面信号，称为人类白细胞抗原，它们向 T 细胞呈递各种肽，有点像升起信号旗。如果一切正常，这就是熟悉的肽的通常组合，T 细胞继续前进。如果出了什么问题，病毒的一个片段可能会被举到旗杆上，T 细胞就会开火。
那么机器学习与这一切有什么关系呢？有大量数据对在 COVID 中发现的各种蛋白质和氨基酸链进行分类，以及它们在渗入细胞后会变成什么，以及细胞如何使用 HLA 表明它们已被感染。
机器学习算法擅长解决像这样的优化问题，其中必须对大量嘈杂的数据进行排序以获得特定的质量组合。在这种情况下，他们设计了算法来对相关肽进行分类，并选择大约 30 个存在于或“保守”在所有版本的病毒中，但也与 HLA 相关，并且可能用作 T 细胞查看的标志。
给予我们版本的 HLA 和这种新疫苗的转基因小鼠在感染后的短期内表现出更大量的免疫反应，并且没有死于该病毒。
该论文的主要作者之一、麻省理工学院博士生布兰登卡特在麻省理工学院的一篇新闻文章中说：“这项研究在活体系统（一只真正的老鼠）中提供了证据，证明我们使用机器学习设计的疫苗可以提供保护免受 COVID 病毒的侵害。” .
一个有趣的可能好处是，免疫功能低下的人可能会从这种方法中获得重要的保护，而 mRNA 疫苗对他们不起作用。 “长期 COVID”患者也可以通过更全面的免疫攻击来缓解他们特别有弹性的感染。
正如该研究的摘要所说：
MIT-T-COVID 免疫小鼠中无法检测到的特异性抗体反应表明，仅特异性 T 细胞反应就可以有效减轻 SARS-CoV-2 感染的发病机制。我们的结果表明，对泛变体 T 细胞疫苗进行进一步研究是值得的，包括对不能产生中和抗体或帮助减轻 Long COVID 的个体。
这是一个很有前途的研究方向，也是利用计算进步为全球健康服务的好方法。但同样重要的是要认识到“泛变体”选项仍处于早期阶段。一方面，它可能与现有疫苗一起使用或对抗现有疫苗——如果用于免疫反应疫苗的最佳肽是那些被 mRNA 启动破坏的目标呢？两者将以交叉目的工作。过于强烈的免疫反应也会带来附带损害、错误剔除信号不明确的细胞等风险。
但这些都是很好的问题——之所以相关，是因为新疫苗的基本功能似乎有效。随着团队通过对这种有前途的方法的更多测试取得进展，我们将了解更多。
“泛变体”COVID 疫苗可以消除未来毒株，这要归功于Devin Coldewey最初发表在TechCrunch上的机器学习