هوش مصنوعی به این نکته اشاره می کند که چرا پاسخ های واکسن در سطح جهانی متفاوت است

نحوه واکنش افراد مبتلا به سیستم ایمنی ضعیف به واکسنها یک حوزه مهم تحقیقات ایمنی است. مطالعه جدیدی که توسط دانشگاه یورک انجام شد نشان داد که مدلهای یادگیری ماشینی نه تنها میتوانند تفاوتهای افراد سالم و افراد مبتلا به HIV را به دقت مشخص کنند، بلکه در هر دو گروه به نکات پرت نیز پی بردند که با در نظر گرفتن متغیرهایی مانند سن، بیماریهای همراه و ژنتیک، بینشهای شگفتانگیزی از ماهیت پیچیده سیستم ایمنی و ظاهر پزشکی شخصیسازی شده در آینده ارائه میدهند.
این مطالعه نشاندهنده یک گام مهم رو به جلو در پتانسیل برای استراتژیهای مداخله واکسیناسیون شخصی است.”
چاپین کوروسک، نویسنده اصلی این مطالعه و عضو فوق دکتری، دانشگاه یورک
کوروستس به عنوان یک دانشجوی فوق دکترا در دانشگاه یورک تحت هدایت پروفسور جین هفرنان دانشکده علوم زیستی که تحقیقاتش بر مدل سازی بیماری های عفونی متمرکز است، روی این مطالعه کار کرد.
وی افزود: با مطالعه ساختار تنوع ایمنی در مقیاس، به سمت یک مبنای داده محور برای واکسیناسیون شخصی و طراحی درمانی حرکت می کنیم.
کوروستس، که اکنون استادیار دانشگاه گوئلف است، از مجموعه داده ای از افراد مبتلا به HIV و بدون اچ آی وی استفاده کرد که حداکثر پنج دوز واکسن کووید-19 را طی 100 هفته دریافت کردند. همه افراد مبتلا به HIV اهل منطقه تورنتو بزرگ بودند که بیماری آنها با درمان ضد رتروویروسی کنترل شد. محققان از نوعی روش یادگیری ماشینی به نام جنگل تصادفی برای تجزیه و تحلیل 64 بیومارکر ایمنی ناشی از پاسخ به واکسن کووید-19 استفاده کردند و سپس گروهی از “بیماران مجازی” را برای مدلسازی بیشتر پاسخهای ایمنی ایجاد کردند.
“در حالی که ما با یک مجموعه داده غنی مناسب برای آزمایش های آماری کار می کردیم، مدل های ریاضی طولی هنوز با محدودیت های شناسایی مواجه هستند، زمانی که داده ها نمی توانند به طور منحصر به فرد دینامیک ایمنی را حل کنند. بنابراین ما برای شناسایی تفاوت های کلیدی بین گروه ها به یادگیری ماشین روی آوردیم و سپس از این ساختار آموخته شده برای تولید بیماران مجازی استفاده کردیم که نحوه تفاوت الگوهای ایمنی بین گروه ها را نشان می دهد.”
آنها توانستند نشان دهند که آنتیبادیهای مبتنی بر بزاق، بهویژه نوعی آنتیبادی در بزاق به نام IgA، همراه با گلبولهای سفید خون که مدتهاست با وضعیت HIV مرتبط بودهاند، تفاوت مشخصهای را بین دو گروه ایجاد میکند. Korosets می گوید این مهم است زیرا تحقیقات زیادی وجود دارد که نشان می دهد ایمنی مخاطی تغییر یافته در افراد مبتلا به HIV و چگونگی تأثیر آن در کوتاه مدت و طولانی مدت وجود دارد.
هفرنان خاطرنشان می کند که آنها زیر گروه هایی را در گروه HIV مثبت شناسایی کردند و اهمیت استراتژی های واکسیناسیون شخصی و چالش های مدل سازی پاسخ های ایمنی به دلیل تنوع فردی را برجسته کردند.
هفرنان توضیح می دهد: «پاسخ ایمنی بسیار بسیار پیچیده است. گاهی اوقات چیزی میتواند بهعنوان بازدارنده بخشی از پاسخ ایمنی عمل کند، اما در موارد دیگر میتواند یک فعالکننده باشد. همچنین تفاوتهای فردی زیادی در بین افراد با وضعیت سیستم ایمنی مشابه وجود دارد. با استفاده از یادگیری ماشین، مدلسازی مکانیکی، و «بیماران مجازی»، میتوانیم سعی کنیم تفاوتهای مهمی را در زیر گروهها و بین افراد کشف کنیم – حتی در اجزای سیستم ایمنی که دادههای سیستم ایمنی را اندازهگیری نمیکنند.» مانند تلاش برای یافتن آنچه نیاز دارید در انبار کاه، اما با یک مسیر روشن تر برای یافتن آن.”
گروه HIV مثبت، علیرغم مزایای درمان ضد رتروویروسی، تفاوتهای واضحی در پاسخهای ناشی از واکسن نسبت به گروه کنترل داشتند و مدل یادگیری ماشینی توانست این تفاوتها را با دقت نزدیک به 100 درصد طبقهبندی کند، اما دو نفر بودند که نمیتوانست آنها را از گروه کنترل تشخیص دهد.
کوروسک میگوید: مهم نیست که چگونه دادهها را به هم ریختیم یا از کدام نشانگرهای زیستی استفاده کردیم، الگوریتم یادگیری ماشینی نمیتوانست بخش کوچکی از افراد HIV مثبت را از افرادی که HIV منفی بودند تشخیص دهد. “در این افراد، پاسخ های ایمنی ناشی از واکسن از گروه HIV منفی قابل تشخیص نبود. این نشان می دهد که حداقل از نظر پاسخ واکسیناسیون، عملکرد ایمنی آنها به طور موثر بازسازی شده است.”
برعکس، یک فرد در گروه کنترل سالم وجود داشت که نشانگرهای او از فردی که مبتلا به HIV بود قابل تشخیص نبود، که ممکن است نشان دهنده مشکلات ایمنی اساسی باشد که ممکن است هنوز از نظر بالینی شناسایی نشده باشند.
این مطالعه با حمایت شورای ملی تحقیقات کانادا (NRC) – مرکز همکاری برای علوم ریاضی، شورای ملی تحقیقات و مهندسی کانادا و تحقیقات و هوش مصنوعی برای سلامت عمومی (AI4PH)، به عنوان نسخه پیش چاپ در مجله منتشر شد. الگوها و در 13 مارس 2026 به صورت تیتر چاپی ظاهر می شود.
کوروسک با همکارانی از جمله هفرنان، محقق ارشد محمد سجاد قائمی از مرکز تحقیقات فناوری های دیجیتال NRC، دانشیار جسیکا کانوی از دانشگاه ایالتی پنسیلوانیا، و محققان دانشگاه تورنتو و بیمارستان سنت مایکل کار کرد.
Korosets نتیجه گرفت: «این مطالعه ما را به درک تنوع ایمنی در افراد مبتلا به HIV نزدیکتر میکند؛ اینکه چگونه پاسخهای آنها با گروههای کنترل همسان سنی مقایسه میشود، چقدر آنتیبادیها در طول زمان حفظ میشوند و چرا برخی افراد الگوهای متفاوتی از خود نشان میدهند.»
منبع:
مرجع مجله:
Korosets، CS، و غیره (2026). مدلسازی پروفایل ایمنی طولی، پس از پنج واکسیناسیون کووید-19 در میان افراد مبتلا به HIV، علائم ایمنیزایی مشخصی را نشان میدهد. الگوها. DOI: 10.1016/j.pattern.2025.101474. https://www.cell.com/patterns/fulltext/S2666-3899(25)00322-8.



