Investigadores del MIT presentan VaxSeer, un sistema de IA que predice la evolución viral y la antigenicidad para recomendar, con meses de antelación, las cepas más prometedoras para incluir en la vacuna estacional. En un estudio retrospectivo de 10 años, VaxSeer superó a la selección de la OMS en 9 de 10 temporadas para A/H3N2 y en 6 de 10 para A/H1N1.
Cada año, las autoridades sanitarias deben decidir —meses antes de la temporada de gripe— qué cepas incluir en la vacuna. Si la predicción acierta, la protección es alta; si falla, la eficacia cae y aumenta la carga sobre los servicios de salud. Para reducir ese margen de incertidumbre, investigadores del MIT CSAIL y del MIT Jameel Clinic desarrollaron VaxSeer, una herramienta basada en aprendizaje profundo que simula la evolución viral y estima qué vacunas serán más protectoras frente a variantes futuras. El trabajo fue publicado en Nature Medicine.
Dos motores: dominancia y antigenicidad
VaxSeer combina dos módulos principales. El primero estima la probabilidad de que cada cepa viral se imponga (su dominancia); el segundo calcula la antigenicidad, es decir, qué tan eficaz será una vacuna para neutralizar esa cepa en ensayos de laboratorio como el hemaglutinación-inhibición (HI). Juntos generan una puntuación de cobertura predictiva: cuanto más cercana a 0, mejor el emparejamiento antigenico entre la vacuna y los virus circulantes (el sistema usa una escala que va desde un negativo potencialmente infinito hasta 0).
Técnicamente, VaxSeer “aprende” relaciones complejas entre combinaciones de mutaciones usando un modelo de lenguaje de proteínas entrenado con décadas de secuencias virales y resultados experimentales. “VaxSeer adopta un gran modelo de lenguaje de proteínas para aprender la relación entre la dominancia y los efectos combinatorios de las mutaciones”, explica Wenxian Shi, estudiante de doctorado en el MIT y autor principal del estudio. A diferencia de modelos que analizan mutaciones de forma aislada, VaxSeer modela los desplazamientos dinámicos de dominancia —algo clave en virus que evolucionan con rapidez, como la gripe.
Una vez estimadas las señales, el sistema integra esos pronósticos en un marco matemático basado en ecuaciones diferenciales ordinarias para simular la dinámica de propagación temporal de las cepas.
Resultados retrospectivos: cómo se comparó con la OMS
En un análisis retrospectivo de 10 años, los investigadores confrontaron las recomendaciones de VaxSeer con las decisiones reales de la OMS para dos subtipos principales:
Para A/H3N2, VaxSeer superó las elecciones de la OMS en 9 de 10 temporadas, según las puntuaciones empíricas de cobertura calculadas a partir de dominancia observada y ensayos HI.
Para A/H1N1, VaxSeer igualó o superó a la OMS en 6 de 10 temporadas.
En un caso notable, el modelo identificó en 2016 una cepa que la OMS solo eligió como vacuna al año siguiente. Además, las puntuaciones de VaxSeer mostraron alta correlación con estimaciones reales de eficacia publicadas por el CDC (EE. UU.), la red canadiense Sentinel y el programa europeo I-MOVE.
Límites y futuros desarrollos
VaxSeer se centra actualmente en la proteína HA (hemaglutinina), el principal antígeno de la gripe, que condiciona gran parte de la respuesta inmune. Los autores reconocen límites claros: integrar otras proteínas virales como NA (neuraminidasa), incorporar el historial inmunológico de poblaciones, o modelar restricciones de producción y dosis aumentarían la complejidad pero harían las predicciones más completas. Además, aplicar el método a otros virus exige grandes conjuntos de datos que combinen evolución viral y respuestas inmunes —datos que no siempre son públicos.
“Al modelar cómo los virus evolucionan y cómo interactúan las vacunas con ellos, herramientas de IA como VaxSeer podrían ayudar a los responsables de salud a tomar decisiones mejores y más rápidas —y a adelantarse en la carrera entre infección e inmunidad”, apunta Shi.
La línea de investigación también explora métodos para predecir evolución viral en contextos con pocos datos, una capacidad clave para virus o familias virales menos estudiadas.
Valor y financiación
Regina Barzilay, profesora distinguida de IA y Salud en el MIT y líder de la Jameel Clinic, resume la ambición: “Dada la velocidad de la evolución viral, el desarrollo terapéutico suele quedar rezagado. VaxSeer es nuestro intento de alcanzar ese ritmo”. El equipo incluyó además a Jeremy Wohlwend y Menghua Wu, y el proyecto recibió apoyo, entre otros, de la Defense Threat Reduction Agency de EE. UU. y del MIT Jameel Clinic.
¿Qué cambia para la salud pública?
Si los resultados prospectivos confirman lo prometido, VaxSeer podría reducir el componente de conjetura en la selección de cepas y mejorar la eficacia vacunal estacional, con impactos directos en enfermedad prevenible y presión hospitalaria. No obstante, su utilidad real dependerá de validaciones en tiempo real, la disponibilidad de datos internacionales y la integración en los procesos globales de decisión de vacunas.
En suma, VaxSeer no elimina la incertidumbre, pero representa un avance: unir secuencias, ensayos y modelos dinámicos con IA podría convertir decisiones críticas de salud pública en elecciones mejor fundamentadas y más oportunas —una ventaja clave cuando los virus no esperan.
