Fortschritte bei der Vorhersage von saisonalen Grippeimpfungen
Neue Methoden können die Vorhersagen für Grippeimpfstoffe und die Entwicklungszeiten verbessern.
― 7 min Lesedauer
Inhaltsverzeichnis
- Die Prognose-Herausforderung
- Lernen aus der COVID-19-Pandemie
- Auswirkungen der Verkürzung von Prognosehorizonten und Einreichungsverzögerungen
- Aktuelle Schätzungen der Kladenhäufigkeit
- Genauigkeit von Vorhersagen zur Kladenhäufigkeit
- Potenzielle Verbesserungen und zukünftige Richtungen
- Fazit
- Originalquelle
- Referenz Links
Saisonale Grippe betrifft viele Leute weltweit und verursacht jedes Jahr etwa eine halbe Million Todesfälle. Die Impfung ist der beste Weg, um sich vor schwerer Krankheit und Tod durch die Grippe zu schützen, aber das Virus verändert sich schnell, was es dem Immunsystem schwer macht, es zu erkennen. Dieser ständige Wandel bedeutet, dass die Impfstoffe regelmässig aktualisiert werden müssen. Die Weltgesundheitsorganisation (WHO) hält zweimal im Jahr Treffen ab, um die besten Impfstoffe für verschiedene Teile der Welt auszuwählen.
Der häufigste Typ des Grippeimpfstoffs wird aus inaktivierten Viren hergestellt, die in Hühnereiern gezüchtet werden. Dieser Prozess dauert ungefähr 6 bis 8 Monate, und die Impfstoffe enthalten typischerweise ein Virus aus jedem der Hauptgrippe-Subtypen. Die WHO muss etwa ein Jahr vor Beginn der nächsten Grippesaison ein Virus für jeden Subtyp auswählen. Dafür schauen sie sich die genetischen Informationen der aktuell verbreiteten Viren an, die aus globalen Überwachungssystemen stammen.
Der Subtyp A/H3N2 des Grippevirus verändert sich schneller als andere und sammelt jedes Jahr mehrere Veränderungen in seinen Oberflächenproteinen an. Das bedeutet, dass die Viren, die ein Jahr nach der Impfstoffentscheidung zirkulieren, so unterschiedlich sein können, dass sie die Immunantwort, die durch die vorherigen Impfstoffe erzeugt wurde, umgehen können.
Wegen der Zeitspanne zwischen der Entscheidung, die Impfstoffe zu aktualisieren, und dem Beginn der nächsten Grippesaison wird die Auswahl des richtigen Impfstoffs zu einer langfristigen Prognose-Herausforderung. Um bei dieser Entscheidung zu helfen, nutzen Wissenschaftler Computermodelle, um vorherzusagen, wie die Grippeviruspopulationen ein Jahr in der Zukunft basierend auf bestehenden Daten aussehen werden.
Die Prognose-Herausforderung
Vor einigen Jahren begannen Wissenschaftler, Modelle zu verwenden, die zukünftige Grippepopulationen nur mit genetischen Daten vorhersagten. Neuere Modelle berücksichtigen zusätzliche Daten, wie Tests, wie gut die Viren auf menschliche Antikörper reagieren. Diese Modelle sind jedoch weiterhin stark von den genetischen Sequenzen des Grippevirus abhängig, was zu Verzögerungen bei den neuesten Daten führt.
In den Jahren vor der Pandemie gab es im Durchschnitt eine Verzögerung von etwa 3 Monaten zwischen der Sammlung von Grippeproben und der Einreichung ihrer genetischen Sequenzen zur Analyse. Während diese Prognosemodelle ständig weiterentwickelt werden, begrenzen die Zeitverzögerung und die Notwendigkeit ausreichender aktueller genetischer Daten deren Genauigkeit.
Lernen aus der COVID-19-Pandemie
Die globale Reaktion auf die COVID-19-Pandemie im Jahr 2020 zeigte, wie schnell neue Impfstoffe entwickelt werden können und wie effizient die genetische Diversität von Viren überwacht werden kann. Die Entwicklung von mRNA-Impfstoffen für COVID-19 ermöglichte die schnelle Einführung effektiver Impfstoffe nur ein Jahr nach dem Auftreten des Virus. Ausserdem führten die Pandemie zu Verbesserungen in der genetischen Sequenzierung, was zu einer erheblichen Verkürzung der Zeit führte, die benötigt wurde, um genetische Sequenzdaten einzureichen.
Bis 2021 hatte sich die durchschnittliche Verzögerung zwischen der Sammlung von COVID-19-Proben und der Einreichung ihrer Sequenzen auf etwa einen Monat verkürzt, was die Wirksamkeit von erhöhten Mitteln und besseren Praktiken im Bereich der öffentlichen Gesundheit unterstrich. Studien zeigten, dass diese Verkürzung der Zeit die Genauigkeit von Prognosen und Echtzeiteinschätzungen von Virusvarianten erheblich verbesserte.
Diese Fortschritte führten dazu, dass viele glaubten, ähnliche Methoden könnten auch für das saisonale Grippevirus angewendet werden, besonders mit der laufenden Forschung zu mRNA-Impfstoffen für die Grippe. Der Wechsel von traditionellen ei-basierten Impfstoffen zu mRNA-Impfstoffen könnte die benötigte Zeit für die Impfstoffentwicklung von 12 Monaten auf 6 Monate verkürzen. Zudem könnte die Implementierung von schneller Genomsequenzierung für die Grippe die durchschnittliche Zeitspanne von 3 Monaten auf 1 Monat reduzieren.
Auswirkungen der Verkürzung von Prognosehorizonten und Einreichungsverzögerungen
Um zu bewerten, wie diese Veränderungen die Genauigkeit von langfristigen Grippeprognosen verbessern könnten, untersuchten Forschungsteams die Auswirkungen kürzerer Prognosezeiträume und schnellerer Einreichung genetischer Daten. Sie analysierten historische genetische Daten sowohl von natürlichen Grippepopulationen als auch von simulierten Grippepopulationen, um zu sehen, wie gut sie Grippe-Trends über verschiedene Zeitintervalle vorhersagen konnten.
Prognosen wurden für Zeiträume von 3, 6, 9 und 12 Monaten in die Zukunft erstellt. Für jeden dieser Zeiträume berücksichtigten sie drei verschiedene Szenarien dafür, wie schnell genetische Daten eingereicht wurden: keine Verzögerung, ideale Verzögerung (ein Monat) und realistische Verzögerung (drei Monate).
Die Ergebnisse zeigten, dass die Verkürzung des Prognosehorizonts zu genaueren Vorhersagen führte. Als sie den Zeitraum von 12 Monaten auf kürzere Intervalle verkürzten, verringerte sich der Abstand zwischen vorhergesagten und tatsächlichen zukünftigen Populationen. Das deutete darauf hin, dass mit kürzeren Prognosezeiträumen die Genauigkeit und Zuverlässigkeit erheblich verbessert werden.
Aktuelle Schätzungen der Kladenhäufigkeit
Neben der Verbesserung langfristiger Prognosen untersuchten die Forscher auch, wie Einreichungsverzögerungen die aktuellen Schätzungen von Viruskladen beeinflussen. Eine Klade bezieht sich auf eine Gruppe von Viren, die eng verwandt sind. Das Verständnis dieser Kladenhäufigkeiten hilft vorherzusagen, welche Varianten in Zukunft dominant werden könnten.
Das Team analysierte die aktuellen Kladenhäufigkeiten unter idealen und realistischen Einreichungsverzögerungen. Ihre Ergebnisse zeigten, dass die Reduzierung von Einreichungsverzögerungen den Fehler bei der Schätzung der Häufigkeiten grösserer Kladen erheblich verringerte. Folglich würden genauere Schätzungen der aktuellen Kladen die Impfstoffentscheidungen besser informieren.
Genauigkeit von Vorhersagen zur Kladenhäufigkeit
Die Genauigkeit der Vorhersagen zur Kladenhäufigkeit wurde ebenfalls bewertet. Die Forscher untersuchten, wie Änderungen bei den Einreichungsverzögerungen und Prognosehorizonten diese Vorhersagen beeinflussten. Die Ergebnisse deuteten darauf hin, dass kleinere Kladen (mit weniger als 10% Häufigkeit) schwieriger vorherzusagen waren als grössere Kladen.
Insgesamt führte die Verkürzung der Prognosehorizonte zu bemerkenswerten Verbesserungen in der Vorhersagegenauigkeit sowohl für kleine als auch für grosse Kladen. Die Forscher stellten fest, dass die grössten Verbesserungen aus der Verkürzung des Prognosehorizonts kamen, nicht nur aus der Reduzierung von Einreichungsverzögerungen.
Potenzielle Verbesserungen und zukünftige Richtungen
Die Forschung hob die effektivsten Strategien zur Verbesserung der Genauigkeit hervor. Sie fanden heraus, dass die Reduzierung der Entwicklungszeit für Impfstoffe einen signifikant grösseren Einfluss auf die Vorhersagegenauigkeit hatte als die Verbesserung der Einreichungsverzögerungen. Ein schnellerer Entwicklungszeitraum für Impfstoffe könnte zu besseren Prognosen der Grippepopulationen führen.
Trotzdem bleiben laufende Verbesserungen in der genomischen Überwachung und reduzierte Einreichungsverzögerungen wichtig. Sie ermöglichen ein besseres Verständnis der aktuellen viralen Diversität und helfen bei der Auswahl von Impfstoffkandidaten. Es ist entscheidend, die Unsicherheit hinsichtlich der aktuellen und zukünftigen Kladenhäufigkeiten zu kommunizieren, da diese Unsicherheit die Impfstoffentscheidungsfindung erheblich beeinflussen kann.
Darüber hinaus kann die Erweiterung der Finanzierung für die globale genomische Überwachung und die Verbesserung der Datensammlungsprozesse dazu beitragen, die Genauigkeit von Grippeprognosen aufrechtzuerhalten oder sogar zu erhöhen.
Fazit
Zusammenfassend lässt sich sagen, dass die Bewältigung der Herausforderungen, die die Grippeprognose mit sich bringt, die Impfstoffentwicklung und die Bemühungen im Bereich der öffentlichen Gesundheit erheblich verbessern kann. Durch die Reduzierung der Entwicklungszeit für Impfstoffe und die Einreichungsverzögerungen können wir die Qualität der Prognosen zur saisonalen Grippe verbessern. Die Lehren aus der COVID-19-Pandemie betonen die Bedeutung von Effizienz in der Impfstoffentwicklung und die Notwendigkeit stetiger Verbesserungen in der viralen genetischen Überwachung.
Wenn sich die Impfstrategien weiterentwickeln, wird die Anwendung dieser Prinzipien sicherstellen, dass wir besser gerüstet sind, um saisonale Grippe und zukünftige virale Bedrohungen zu bekämpfen. Fortlaufende Investitionen in Forschung und globale Gesundheitsinitiativen werden entscheidend sein, um die Wirksamkeit von Impfstoffen zu maximieren und die öffentliche Gesundheit zu schützen.
Titel: Timely vaccine strain selection and genomic surveillance improves evolutionary forecast accuracy of seasonal influenza A/H3N2
Zusammenfassung: For the last decade, evolutionary forecasting models have influenced seasonal influenza vaccine design. These models attempt to predict which genetic variants circulating at the time of vaccine strain selection will be dominant 12 months later in the influenza season targeted by vaccination campaign. Forecasting models depend on hemagglutinin (HA) sequences from the WHOs Global Influenza Surveillance and Response System to identify currently circulating groups of related strains (clades) and estimate clade fitness for forecasts. However, the average lag between collection of a clinical sample and the submission of its sequence to the Global Initiative on Sharing All Influenza Data (GISAID) EpiFlu database is [~]3 months. Submission lags complicate the already difficult 12-month forecasting problem by reducing understanding of current clade frequencies at the time of forecasting. These constraints of a 12-month forecast horizon and 3-month average submission lags create an upper bound on the accuracy of any long-term forecasting model. The global response to the SARS-CoV-2 pandemic revealed that modern vaccine technology like mRNA vaccines can reduce how far we need to forecast into the future to 6 months or less and that expanded support for sequencing can reduce submission lags to GISAID to 1 month on average. To determine whether these recent advances could also improve long-term forecasts for seasonal influenza, we quantified the effects of reducing forecast horizons and submission lags on the accuracy of forecasts for A/H3N2 populations. We found that reducing forecast horizons from 12 months to 6 or 3 months reduced average absolute forecasting errors to 25% and 50% of the 12-month average, respectively. Reducing submission lags provided little improvement to forecasting accuracy but decreased the uncertainty in current clade frequencies by 50%. These results show the potential to substantially improve the accuracy of existing influenza forecasting models by modernizing influenza vaccine development and increasing global sequencing capacity.
Autoren: John Huddleston, T. Bedford
Letzte Aktualisierung: 2024-09-13 00:00:00
Sprache: English
Quell-URL: https://www.medrxiv.org/content/10.1101/2024.09.11.24313489
Quell-PDF: https://www.medrxiv.org/content/10.1101/2024.09.11.24313489.full.pdf
Lizenz: https://creativecommons.org/licenses/by/4.0/
Änderungen: Diese Zusammenfassung wurde mit Unterstützung von AI erstellt und kann Ungenauigkeiten enthalten. Genaue Informationen entnehmen Sie bitte den hier verlinkten Originaldokumenten.
Vielen Dank an medrxiv für die Nutzung seiner Open-Access-Interoperabilität.