University of Cambridges ’världsunika’ AI-designade vaccin – vad mänskliga studier faktiskt visade

Trettionio frivilliga, en mikrojet och ett påstående: Cambridge kallar det världens första AI-designade vaccin

Detaljerna är viktiga eftersom detta inte bara är en justering av ett gammalt recept. Gruppen i Cambridge använde genetiska virala data från många coronavirus, matade in dem i en maskininlärningspipeline och bad algoritmen att generera ett kompakt antigen som riktar in sig på egenskaper som är gemensamma för hela familjen – delar som viruset inte enkelt kan förändra. Själva vaccinet administrerades som DNA med hjälp av en nålfri mikrofluidisk jetstråle in i huden, ett leveranssätt som teamet menar påskyndar tillverkningen och kringgår vissa logistiska flaskhalsar förknippade med konventionella sprutor.

Världens första AI-designade vaccin: vad Cambridge faktiskt testade

Fas I-studien som beskrivs i Journal of Infection omfattade under 50 personer; den publika rapporteringen fokuserar på 39 försöksdeltagare i Cambridge och Southampton. Plattformen här är ett DNA-konstrukt som kodar för det AI-designade antigenet, levererat via en högtrycksstråle tunn som ett hårstrå som tvingar in den genetiska ritningen i hudcellerna. Den metoden skiljer sig från den mRNA-lipidnanopartikelmetod som användes i stor utsträckning under covid-pandemin.

Cambridge kallar den centrala molekylen för ett "super-antigen" eftersom den samlar flera konserverade delar av coronavirusfamiljen till ett enda mål. I djurstudier stimulerade konstruktet ett brett svar mot flera coronavirus; hos människor var det primära målet säkerhet och tolerabilitet. Immunogeniciteten var mätbar men beskrevs som blygsam – en fras som forskare använder medvetet, vilket innebär att signalerna finns där men ännu inte på nivåer som de flesta skulle kalla starkt skyddande.

Avgörande är att teamet redan har påbörjat ett större fas II-program som förväntas rekrytera några hundra deltagare. Nästa steg kommer att undersöka hur väl vaccinet tränar det mänskliga immunsystemet hos en mer varierad grupp människor och om antikropps- eller T-cellssvaren ökar med dosen eller genom olika administreringssätt.

Hur AI fann ett "super-antigen" (och varför det inte är samma sak som ett färdigt vaccin)

Enkelt uttryckt är systemet i Cambridge en mönstersökare. Forskarna sammanställde databaser med virala sekvenser från offentliga källor och övervakning, och använde sedan maskininlärning för att identifiera regioner som är både gemensamma för många coronavirus och biologiskt begränsade – delar som viruset måste behålla för att fungera och som det därför inte kan ändra enkelt. Algoritmen sammanfogade sedan dessa konserverade motiv till ett enda artificiellt antigen som immunsystemet kan känna igen.

Detta är ingen trollstav. Konserverade regioner är ibland dåliga mål eftersom immunsystemet ignorerar dem, eller för att de sitter i en del av ett protein som är svårt för antikroppar att nå. Det är därför praktisk vaccindesign fortfarande kräver mänskligt omdöme: vilka konserverade platser som ska presenteras, om deras form behöver stabiliseras, om ett adjuvans krävs och vilken leveransplattform som får det mänskliga immunsystemet att reagera. AI påskyndar sökandet och föreslår kandidater; immunologisk expertis i laboratoriet avgör fortfarande vilka kandidater som ska testas.

Se algoritmen som en erfaren spejare som pekar ut de bärande väggarna i en radhuslänga. Det sparar veckor eller månader av laboratoriearbete, men ingenjörerna måste fortfarande besluta hur ställningen ska förankras i huset så att den inte faller i en storm.

Världens första AI-designade vaccin: säkerhet, prövningar och vad ett "blygsamt" immunsvar innebär

Kan AI faktiskt påskynda vaccinutveckling — och förändrar det den industriella ekvationen?

Ja, på två distinkta sätt. För det första minskar AI sökområdet. Istället för månader av iterativt laboratoriearbete för att välja ut kandidatantigener kan en vältränad modell föreslå lovande designer på timmar eller dagar. Det hjälper till att nå tester på människor snabbare. För det andra kan AI utforska kombinationer (mosaiker) som människor inte intuitivt skulle ha provat, vilket potentiellt kan hitta antigenformer som triggar bredare immunitet.

Men hastighet i designfasen översätts inte alltid till hastighet i skala. Att tillverka DNA-konstrukt eller validera en ny leveransutrustning kräver fortfarande anläggningar, råmaterial och regulatoriska godkännanden. Europa har i synnerhet ett lapptäcke av produktionsplatser och upphandlingsmyndigheter; ett snabbt införande skulle kräva samordnade kontrakt och strategier för lagerhållning. Kort sagt: AI kan korta ner tidslinjen i det inledande skedet, men flaskhalsar längre fram i kedjan – fabriker, regulatoriska godkännanden, kylkedjor – avgör fortfarande hur snabbt ett vaccin når befolkningen.

Europeisk politik och industri: varför en framgång i Cambridge är viktig för EU:s beredskap

Från Köln till Cambridge är den industriella verkligheten bekant: innovativa laboratorier finns, men att omvandla ett experimentellt vaccin till miljontals doser är ett problem som rör leveranskedjan. Arbetet i Cambridge kommer att vara intressant för EU:s hälsomyndigheter och finansiärer eftersom plattformar som syftar till att skydda hela viralfamiljer förändrar upphandlingskalkylen. Ett enda brett vaccin skulle kunna minska behovet av årliga omformuleringar och komplexa upphandlingscykler över 27 nationella hälsosystem.

Det sagt skiljer sig europeiska regulatoriska vägar från Storbritanniens. Medicines and Healthcare products Regulatory Agency (MHRA) övervakade det tidiga arbetet i Storbritannien; all användning inom EU skulle involvera den europeiska läkemedelsmyndigheten (EMA) och nationella vaccinationskommittéer. Horisont-finansiering, gemensamma upphandlingsramverk och partnerskap mellan offentlig och privat sektor för tillverkning är de spakar Bryssel måste dra i om man vill omvandla en akademisk milstolpe till beredskap för hela kontinenten.

Vad man bör hålla ögonen på framöver

Flera konkreta signaler kommer att avgöra hur långt detta når. Fas II-data om immunogenicitet: stiger antikroppstitrar och T-cellssvar i en större och mer varierad kohort? Tillverkningsplaner: finns det en skalbar process för DNA-konstruktet och den mikrofluidiska leveransutrustningen? Och transparens: kommer teamet att publicera AI-designpipelinen och träningsdata så att oberoende grupper kan validera och bygga vidare på arbetet?

Tekniskt sett försöker redan andra grupper med liknande idéer för influensa och hemorragiska febrar; Cambridge säger att team rör sig framåt på de fronterna. Om flera oberoende grupper konvergerar mot samma konserverade mål kommer det att vara ett starkare bevis på att metoden är robust snarare än en isolerad framgång.

För närvarande är bedriften anmärkningsvärd främst för att den testar en ny verktygskedja – maskininlärning plus plattformar för snabb leverans – på människor. Resultaten hittills är lovande vad gäller säkerhet och informativa för immunologin. De är ännu inte en ersättning för de beprövade metoder som producerade de covid-vacciner som människor förlitade sig på under pandemin.

Europa har immunologerna och biotech-klustren. Det återstår att besluta vilket land som ska garantera doserna och vilken tillsynsmyndighet som ska få skulden när de första problemen vid utrullningen uppstår.

Källor

• Journal of Infection (fas I-studie)
• University of Cambridge (Lab of Viral Zoonotics)
• DIOSynVax (industripartner)
• University of Southampton (klinisk prövningsplats)
• Oxford Vaccine Group (extern expertkommentar)
• National Institute for Health and Care Research (NIHR)-uttalanden