Un gruppo di ricerca dell’Arizona State University, coordinato da Joshua LaBaer del Biodesign Institute, ha sviluppato un approccio basato sull’intelligenza artificiale per individuare, prima della vaccinazione, caratteristiche del sistema immunitario associate alla successiva intensità della risposta anticorpale. Lo studio ha analizzato 8.687 campioni di sangue provenienti da 4.089 persone, comprendendo sia volontari sani sia pazienti con condizioni in grado di compromettere la funzione immunitaria, tra cui HIV, mieloma multiplo, tumori solidi, malattie autoimmuni, malattie infiammatorie intestinali e trapianti d’organo. Per ogni campione sono stati misurati gli anticorpi diretti contro 185 diversi bersagli, comprendenti virus, batteri e antigeni associati a patologie autoimmuni.
L’analisi ha utilizzato campioni raccolti prima e dopo la vaccinazione contro il COVID-19, con l’obiettivo di verificare se il profilo anticorpale preesistente potesse contenere informazioni utili a distinguere in anticipo le persone destinate a sviluppare una risposta forte da quelle caratterizzate da una produzione anticorpale più debole. Il modello di deep learning ha identificato una vera e propria impronta immunitaria precedente alla vaccinazione, evidenziando come livelli più elevati di alcuni anticorpi già presenti nel sangue risultassero associati a una risposta vaccinale più intensa. Tra i marcatori individuati figurano anticorpi diretti contro Staphylococcus aureus, virus respiratorio sinciziale e respirovirus umano di tipo 3.
Questi anticorpi sono stati definiti dai ricercatori “sentinella”, perché non sono diretti contro il bersaglio specifico del vaccino analizzato ma sembrano riflettere lo stato di preparazione della componente del sistema immunitario responsabile della produzione di anticorpi. Il modello non si è limitato a considerare singoli marcatori, ma ha elaborato l’intero insieme delle caratteristiche anticorpali disponibili, costruendo per ciascun partecipante un profilo immunitario più articolato. L’intelligenza artificiale ha quindi permesso di individuare combinazioni e pattern biologici difficilmente ricavabili dalla valutazione isolata di pochi parametri.
I risultati mostrano inoltre i limiti delle sole classificazioni cliniche nel prevedere la risposta alla vaccinazione. Età, sesso, genetica, patologie pregresse e condizioni generali influenzano infatti la capacità del sistema immunitario di reagire, ma non consentono una previsione sufficientemente precisa a livello individuale. Alcuni partecipanti immunodepressi hanno sviluppato una risposta anticorpale elevata, mentre circa il 5-6% delle persone considerate sane ha mostrato una risposta debole. La presenza o meno di una condizione di immunodepressione non è quindi risultata sufficiente, da sola, per stabilire anticipatamente l’efficacia della risposta.
L’approccio potrebbe in prospettiva essere utilizzato per identificare prima della vaccinazione le persone maggiormente esposte al rischio di una protezione insufficiente. Un profilo immunitario predittivo potrebbe contribuire a stabilire chi necessita di dosi aggiuntive, controlli più ravvicinati o strategie di protezione alternative, con particolare interesse per i pazienti immunocompromessi, nei quali conoscere rapidamente una risposta vaccinale insufficiente può avere una rilevanza clinica maggiore. Attualmente, infatti, la qualità della risposta viene generalmente verificata soltanto dopo la somministrazione, attraverso la misurazione degli anticorpi prodotti contro il bersaglio vaccinale.
La ricerca riguarda per ora specificamente la vaccinazione anti-COVID-19 e l’approccio non è ancora disponibile come test clinico. I risultati dovranno essere confermati attraverso studi su popolazioni più ampie e su vaccini differenti prima di poter valutare un’applicazione nella pratica medica. L’obiettivo è verificare se l’impronta anticorpale individuata possa diventare uno strumento generalizzabile per costruire strategie vaccinali maggiormente personalizzate, utilizzando il profilo immunitario precedente alla somministrazione come indicatore della probabilità di sviluppare una risposta efficace.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)