Kunstmatige intelligentie kan mogelijk voorspellen hoe goed een vaccin bij iemand zal aanslaan, nog vóór de eerste prik. Dat blijkt uit onderzoek onder leiding van de Arizona State University (ASU), waarbij bloedmonsters van meer dan 4.000 mensen werden geanalyseerd. Door met AI te zoeken naar antistofpatronen in bloed dat vóór en na een COVID-19-vaccinatie was afgenomen, vonden de wetenschappers tekenen van zogenoemde “immuun-paraatheid”: signalen die sterke reageerders onderscheiden van zwakke. Opvallend was dat ook sommige gezonde deelnemers slecht reageerden, terwijl bepaalde mensen met een verzwakt immuunsysteem juist een sterke afweer opbouwden.
- ASU-onderzoekers analyseerden 8.687 bloedmonsters van 4.089 deelnemers met antistoffen tegen 185 antigenen.
- AI vond antistof-“vingerafdrukken” die sterke en zwakke vaccinreageerders van elkaar konden onderscheiden.
- Zo’n 5 tot 6 procent van de gezonde deelnemers vertoonde een zwakke vaccinrespons.
- De resultaten verschenen in het tijdschrift Cell Press Blue.
Vaccins beschermen veel mensen tegen ernstige ziekte, maar de afweer die ze opwekken verschilt sterk van persoon tot persoon. Het nieuwe onderzoek biedt aanwijzingen over wat daar mogelijk achter zit. Volgens de wetenschappers laat het immuunsysteem al vóór de vaccinatie sporen zien van hoe krachtig het zal reageren.
“Wat ons onderzoek aantoont, is dat bepaalde biomarkers, geanalyseerd met AI, kunnen voorspellen wie waarschijnlijk goed op een vaccin zal reageren, nog voordat die de prik krijgt. Dit suggereert dat sommige mensen ‘immuun-parater’ zijn dan anderen”, zegt Joshua LaBaer, die de studie leidde. LaBaer is uitvoerend directeur van het Biodesign Institute van ASU en directeur van het Virginia G. Piper Center for Personalized Diagnostics.
Onderzoekers keken de vraag van de andere kant
Normaal beoordelen wetenschappers een vaccinrespons pas ná de prik, door te meten of het immuunsysteem antistoffen heeft aangemaakt tegen het beoogde doelwit. In deze studie draaiden de onderzoekers die aanpak om: ze wilden weten of patronen die al in het bloed aanwezig zijn, kunnen onthullen hoe iemand zal reageren.
Veel factoren beïnvloeden de vaccinrespons, waaronder leeftijd, geslacht, genetica, eerdere ziekten en onderliggende aandoeningen. Toch verschillen de uitkomsten sterk, zelfs tussen mensen in dezelfde gezondheidscategorie. Waar andere voorspellingsmethoden vaak leunen op genetische tests, analyseert deze aanpak antistofpatronen in bloed. Dat maakt de methode volgens de onderzoekers mogelijk makkelijker toepasbaar in de praktijk.
Gezondheidsstatus alleen zegt niet genoeg
Om de antistof-vingerafdrukken te onderzoeken, mat het team de afweerreactie tegen 185 antigenen. Daaronder zaten SARS-CoV-2, het virus dat COVID-19 veroorzaakt, andere veelvoorkomende virussen en bacteriën, en doelwitten die met auto-immuunziekten samenhangen. In totaal ging het om 8.687 monsters van 4.089 deelnemers, waaronder gezonde vrijwilligers en mensen met aandoeningen of behandelingen die het immuunsysteem onderdrukken, zoals hiv, multipel myeloom, orgaankanker, auto-immuunziekten, inflammatoire darmziekten en orgaantransplantatie.
Verschillende groepen met een verzwakt immuunsysteem vertoonden vaker een verminderde reactie op de COVID-19-vaccinatie. Maar iemand simpelweg in de categorie ‘immuungecompromitteerd’ of ‘gezond’ plaatsen, bleek geen betrouwbare voorspeller. Sommige deelnemers met een onderdrukt afweersysteem ontwikkelden alsnog een sterke respons, terwijl zo’n 5 tot 6 procent van de gezonde deelnemers zwak reageerde.
“Schildwacht”-antistoffen als signaal van paraatheid
Bepaalde antistoffen die al vóór de vaccinatie aanwezig waren, sprongen eruit. Hogere niveaus van antistoffen gericht tegen veelvoorkomende microben, waaronder Staphylococcus aureus, RSV en het humaan respirovirus 3, hingen samen met sterkere reacties op de COVID-19-vaccins. De onderzoekers noemen deze “schildwacht”-antistoffen (sentinel antibodies), omdat ze mogelijk aangeven hoe paraat het antistof-producerende deel van het immuunsysteem is. Ze werken niet per se rechtstreeks tegen het vaccindoelwit, maar hun aanwezigheid vertelt iets over de onderliggende staat van de afweer.
De bevindingen suggereren dat het begrijpen van vaccin-paraatheid vereist dat je het immuunsysteem als een samenhangend geheel bekijkt, in plaats van je te richten op één antistof of één ziekte.
Een deep-learningmodel bekeek daarom de patronen over het volledige antistofpanel en combineerde talloze metingen tot een breder beeld per deelnemer. Machine learning-systemen kunnen miljoenen biologische datapunten doorzoeken op subtiele verbanden die met traditionele methoden moeilijk te vinden zijn.
Wat dit voor de gemiddelde patiënt betekent, is nog niet aan de orde: het gaat om onderzoeksresultaten, geen klinische test die al beschikbaar is. Wel schetsen de onderzoekers een mogelijk toekomstbeeld waarin vaccinatiestrategieën nauwer worden afgestemd op het immuunsysteem van het individu. Belangrijk daarbij is dat de studie een associatie beschrijft tussen bepaalde antistofpatronen en de vaccinrespons; ze bewijst geen oorzakelijk verband.
Zou u willen weten hoe goed uw lichaam op een vaccin gaat reageren voordat u de prik krijgt? Deel uw gedachten over gepersonaliseerde vaccinatie in de reacties.
