Sequence-structured fitness landscapes predict influenza evolution
En palabras de los autores
Seasonal influenza viruses continually evolve to evade host immunity. Vaccines must be regularly updated to protect against new circulating strains, motivating efforts to forecast viral evolution. Recent experimental and computational methods have made progress on this problem, but learning the fitness landscape driving viral evolution remains challenging because genomic surveillance samples only a small fraction of the possible sequence space. Here, we developed a generative framework that shares information across genetically related variants, inferring effective mutation-level contributions to viral fitness from temporal sequence data. Applied to hemagglutinin and neuraminidase from A/H3N2 and A/H1N1 viruses, the inferred fitness landscapes recovers known determinants of antigenicity and reveals convergent spatial organization across subtypes consistent with common antibody-mediated selection. Forward simulations from these landscapes predicted both the fixation or loss of circulating mutations and the future composition of viral populations, outperforming models based on neutral evolution or multinomial-logistic growth. Collectively, our results show that interpretable representations of pathogen fitness landscapes can reveal biologically important features and improve prospective evolutionary forecasting.
En palabras simples Resumen con IA
Los autores construyeron un modelo computacional que aprende cómo las mutaciones afectan la aptitud del virus de la influenza a partir de secuencias genéticas recopiladas a lo largo del tiempo. Aplicaron este modelo a dos proteínas de superficie de los virus de la influenza H3N2 y H1N1. El modelo encontró factores conocidos que ayudan al virus a escapar de la detección inmune y mostró patrones similares entre los tipos de virus. Las simulaciones computacionales usando estas predicciones de aptitud pronosticaron correctamente qué mutaciones se propagarían o desaparecerían y cómo se verían las poblaciones virales futuras. Estas predicciones funcionaron mejor que los modelos que asumen cambios aleatorios o patrones de crecimiento simples.
Escrito por Kimi K2.5 usando solo el abstract de arriba. Jev verificó que cada oración esté respaldada por las oraciones del abstract que cita y eliminó las que no. Pasá el cursor por una oración para ver de dónde sale.
Apareció: jueves, 29 de octubre. bioRxiv. Preprint, todavía sin revisión por pares.