季節性インフルエンザワクチンの予測技術の進展
新しい方法でインフルエンザワクチンの予測や開発スケジュールが改善できるかも。
― 1 分で読む
季節性インフルエンザは世界中で多くの人々に影響を与え、毎年約50万人の死亡を引き起こしてるんだ。ワクチン接種が重症化や死亡から守る最良の方法なんだけど、ウイルスがすぐに変わるから免疫システムが認識しづらいんだ。この常に変わる特性から、ワクチンは定期的に更新が必要なんだよ。世界保健機関(WHO)は年に2回、異なる地域に最適なワクチンを決めるための会議を開いてる。
一番一般的なインフルエンザワクチンは、不活化ウイルスを鶏卵で育てて作られてる。このプロセスに約6〜8ヶ月かかって、ワクチンには通常、主要なインフルエンザ亜型から1つずつウイルスが含まれてる。WHOは、次のインフルエンザシーズンが始まる約1年前に各亜型のウイルスを選ぶ必要があるんだ。そうするために、今流行してるウイルスの遺伝情報を見てるんだ。
A/H3N2亜型のインフルエンザウイルスは、他のものよりも早く変化していって、毎年表面タンパク質にいくつかの変化が蓄積されるんだ。これによって、ワクチンが決まった1年後に循環しているウイルスが前のワクチンによって生成された免疫反応を逃れることができるほど異なる可能性があるんだ。
ワクチン更新の決定と次のインフルエンザシーズンの到来との間には時間のズレがあるから、正しいワクチンを選ぶのが長期的な予測の課題になってる。この決定を助けるために、科学者たちはコンピューターモデルを使って、既存のデータに基づいて1年先のインフルエンザウイルスの集団を予測してるんだ。
予測の課題
数年前、科学者たちは遺伝データだけを使って未来のインフルエンザ集団を予測するモデルを使い始めたんだ。最近のモデルは、ウイルスが人間の抗体にどう反応するかのテストなど、追加のデータを組み込んでる。でも、これらのモデルはまだインフルエンザウイルスの遺伝子配列にかなり依存してるから、最新のデータを得るのに遅れが出ることがあるんだ。
パンデミック前の数年間、インフルエンザのサンプルが収集されてから遺伝子配列の分析に提出されるまでの平均遅延は約3ヶ月だったんだ。この予測モデルは進化し続けてるけど、時間のズレや最新の遺伝子データが十分に必要なことが精度を制限してる。
COVID-19パンデミックからの学び
2020年のCOVID-19パンデミックに対する世界的な反応は、新しいワクチンがどれだけ早く開発されるか、ウイルスの遺伝的多様性がどれだけ効率的に監視されるかを示したんだ。COVID-19のmRNAワクチンの開発によって、ウイルスが出現してからちょうど1年後に効果的なワクチンが迅速に展開されたんだ。さらに、パンデミックは遺伝子配列の改善を促進し、遺伝子配列データの提出にかかる時間が大幅に減少したんだ。
2021年までに、COVID-19のサンプル収集と配列提出の平均遅延は約1ヶ月に減少し、公共衛生における資金の増加や改善された実践の効果が明らかになった。研究によると、この時間の短縮は予測精度やウイルス変異株のリアルタイム評価に大きな改善をもたらしたんだ。
これらの進展は、季節性インフルエンザウイルスでも同様の方法が適用できると多くの人に思わせたし、特にインフルエンザのmRNAワクチンの研究が進行中なんだ。従来の卵ベースのワクチンからmRNAワクチンに移行することで、ワクチン開発にかかる時間を12ヶ月から6ヶ月に短縮できる可能性がある。また、インフルエンザの迅速なゲノム配列決定を実施することで、平均遅延を3ヶ月から1ヶ月に減らすことができるかもしれないんだ。
予測ホライズンと提出遅延の短縮の効果
これらの変化が長期的なインフルエンザ予測の精度をどう改善できるか評価するために、研究チームは短い予測のウィンドウと遺伝データの迅速な提出の影響を調査したんだ。彼らは、自然のインフルエンザ集団とシミュレーションされたインフルエンザ集団の歴史的な遺伝データを分析して、さまざまな時間間隔でインフルエンザの傾向をどれだけうまく予測できるかを見たんだ。
3、6、9、12ヶ月の将来に向けた予測が行われた。各時間枠について、遺伝データが提出される速さについて3つの異なるシナリオを考えた:遅延なし、理想的な遅延(1ヶ月)、現実的な遅延(3ヶ月)。
結果は、予測ホライズンを減らすことで、より正確な予測が得られることを示した。12ヶ月から短い間隔に時間枠を狭めるにつれて、予測された将来の集団と実際の集団の差が減少したんだ。これは、予測期間が短くなるにつれて精度と信頼性が大幅に改善されることを示唆してる。
現在のクレード頻度の推定
長期予測の改善に加えて、研究者たちは提出遅延がウイルスのクレードの現在の推定にどのように影響するかも探ったんだ。クレードとは、密接に関連するウイルスのグループを指すんだ。これらのクレード頻度を理解することで、将来どの変異株が優勢になるかを予測するのに役立つんだよ。
チームは理想的な遅延と現実的な遅延の下で現在のクレード頻度を分析した。彼らの発見は、提出遅延を減少させることで大きなクレードの頻度推定の誤差が大幅に減少することを示していた。したがって、現在のクレードのより正確な推定はワクチンの決定をより良くすることになるんだ。
クレード頻度予測の精度
クレード頻度予測の精度も評価された。研究者たちは提出遅延や予測ホライズンの変化がこれらの予測にどう影響するかを探ってる。結果は、より小さなクレード(頻度が10%未満)を予測するのが大きなクレードよりも難しいことを示していたんだ。
全体的に、予測ホライズンを短縮することで、小さなクレードと大きなクレードの両方の予測精度が著しく改善された。研究者たちは、予測ホライズンを減少させることが、単に提出遅延を減少させるよりも大きな改善をもたらすことに気づいたんだ。
潜在的な改善と今後の方向性
この研究は、精度を改善するための最も効果的な戦略を強調した。彼らは、ワクチンの開発時間を短縮することが、提出遅延を改善するよりも予測精度に対する影響が大きいことを見つけたんだ。ワクチン開発のタイムラインを早めることで、インフルエンザ集団の予測がより良くなる可能性があるんだ。
ただ、ゲノム監視の継続的な改善や提出遅延の短縮も重要なんだ。これらは現在のウイルスの多様性をより理解できるようにし、ワクチン候補の選択に役立つんだ。現在のクレード頻度や将来の頻度に対する不確実性を伝えることが重要で、これがワクチンの決定に大きな影響を与えることがあるんだ。
さらに、世界中のゲノム監視のための資金を拡大し、データ収集プロセスを強化することで、インフルエンザ予測の精度を維持または向上させることができるんだよ。
結論
結論として、インフルエンザ予測の課題に取り組むことで、ワクチン開発や公衆衛生の取り組みを大いに強化できるんだ。ワクチンの開発時間や提出遅延を短縮することで、季節性インフルエンザに関する予測の質を改善できるよ。COVID-19パンデミックから得た教訓は、ワクチン開発の効率性の重要性と、ウイルス遺伝子監視の継続的な改善の必要性を強調しているんだ。
ワクチン戦略が進化する中で、これらの原則を適用することで、季節性インフルエンザや将来のウイルスの脅威に対抗する準備がより整うんだ。研究や世界の健康イニシアチブへの継続的な投資は、ワクチンの効果を最大化し、公衆衛生を守るために欠かせないんだ。
タイトル: Timely vaccine strain selection and genomic surveillance improves evolutionary forecast accuracy of seasonal influenza A/H3N2
概要: 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.
著者: John Huddleston, T. Bedford
最終更新: 2024-09-13 00:00:00
言語: English
ソースURL: https://www.medrxiv.org/content/10.1101/2024.09.11.24313489
ソースPDF: https://www.medrxiv.org/content/10.1101/2024.09.11.24313489.full.pdf
ライセンス: https://creativecommons.org/licenses/by/4.0/
変更点: この要約はAIの助けを借りて作成されており、不正確な場合があります。正確な情報については、ここにリンクされている元のソース文書を参照してください。
オープンアクセスの相互運用性を利用させていただいた medrxiv に感謝します。