以色列人群新冠重复感染率大型队列研究 受访者供图
在国际上其它地区,重复感染已司空见惯。曹云龙提供的数据表明,最新流行株如BQ.1.1和XBB的重复感染率已达到40%,并在持续攀升。他表示,今年绝大部分国家都经历了四波重大感染高峰,多为不同突变株所诱导,平均三个月一次。目前看来,国内也很难完全避免。
重点关注奥密克戎在高危人群中的致病性
曹云龙表示,现在看到的奥密克戎的致病性整体上下降,主要是因为疫苗接种的普及以及大量人群感染导致的免疫力增强。虽然疫苗和自然感染建立的免疫屏障不能有效防止感染,但可以减轻症状,所以看上去似乎是病毒的致病性下降了。但他强调,这并不能与病毒的天然毒性相提并论。
曹云龙提到,社会群体中还有很多无法接种疫苗或者接种后无法产生有效免疫应答的人群,例如免疫缺陷人群、高龄老人、以及肿瘤患者等,他们也是新冠感染后发生重症和死亡的高危人群,因此仍然需要监测奥密克戎在这些高危人群中的致病性。
他介绍,在美国、英国、日本等国家,奥密克戎已经造成极大的死亡和重症负担。例如,在英国,奥密克戎BA.1造成的总死亡人数与Delta相当,虽然从BA.1→BA.2→BA.5,死亡峰值呈现下降趋势,但累计的死亡总数并没有大幅度下降。而日本今冬疫情造成的重症人数和死亡人数已逼近历史记录且尚未出现下降趋势。
曹云龙表示,目前的疫苗对重症的预防效果都较好,提高老年人的疫苗接种率仍具有重要意义。对于不适合疫苗接种的人群,则需要探索其他应对策略。
日本过去两年每日新增新冠死亡人数变化 受访者供图
广谱中和抗体有望提高治疗和预防效率
曹云龙认为,如何让疫苗和抗体药物的研发周期跟上病毒进化的速度是后续需要解决的问题。
“一个抗体药物的临床开发往往需要半年到一年的时间,也就是它能够使得社会受益的前提是该抗体能够应对未来半年到一年后所流行病毒。”曹云龙表示,新冠病毒突变较快,且免疫逃逸特性强,如何挑选开发广谱抗体药物,使得药物研发跟得上病毒突变至关重要,也是目前研发能够高效预防感染的疫苗所面临的痛点。
曹云龙团队建立了新冠免疫逃逸突变位点预测模型。他表示,预测到未来新冠会发生的突变,可以提前挑选出不受这些突变影响的抗体药物进行临床研发。
目前,曹云龙团队已开发两个广谱中和抗体SA55和SA58。据介绍,这两个抗体是从接种新冠疫苗的非典康复者体内筛选的,其作用位点避开了人群免疫的优势免疫表位,使得其很难被逃逸。
“SA55在目前的人群免疫背景中几乎不存在类似抗体,也是目前唯一一个处于临床开发阶段并对目前所有已知的新冠流行毒株都有效的抗体。”曹云龙介绍,SA55和SA58正在开展临床试验,产品剂型包括注射剂和喷雾剂。其中,注射剂可用于治疗和长效预防中重症,尤其适用于老年人或免疫缺陷人群等不适合疫苗接种或免疫反应差的人群。
与注射相比,喷雾剂直接作用于上呼吸道,只需很低的剂量就可实现预防感染的作用。初步安慰剂随机对照试验数据显示,SA58喷雾剂用于暴露后预防对有症状感染的保护效率可高达80%以上。“SA55活性更高,预防效率预计更高,且所需剂量会更低、成本也会更低”。
曹云龙提到,SA55/SA58喷雾有望成为一款可供全民居家日常使用的新冠预防和治疗产品,目前正在准备进行更为严谨的双盲临床试验。
新冠鼻喷中和抗体使用示意图 受访者供图
“虽然不能保证SA55未来一定不会逃逸,但我和团队已经在开发其他候选抗体,如果SA55被新毒株逃逸,可以马上有新的抗体替补。”曹云龙表示,除了广谱抗体,他和团队后续还将研发广谱新冠疫苗,以解决现有疫苗面临的技术瓶颈。(完)
提速近10倍!基于深度学习的全基因组选择新方法来了******
近日,中国农业科学院作物科学研究所、三亚南繁研究院大数据智能设计育种创新团队联合多家单位提出利用植物海量多组学数据进行全基因组预测的深度学习方法, 可以实现育种大数据的高效整合与利用,将助力深度学习在全基因组选择中的应用,为智能设计育种及平台构建提供有效工具。相关研究成果发表在《分子植物(Molecular Plant)》上。
全基因组选择作为新一代育种技术,通过构建预测模型,根据基因组估计育种值进行早期个体的预测和选择,从而缩短育种世代间隔,加快育种进程,节约成本,推动现代育种向精准化和高效化方向发展。
统计模型作为全基因组选择的核心,极大地影响了全基因组预测的准确度和效率。传统预测方法基于线性回归模型,难以捕捉基因型和表型间的复杂关系。
相较于传统模型,非线性模型(如深度网络神经)具备分析复杂非加性效应的能力,人工智能和深度学习算法为解决大数据分析和高性能并行运算等难题提供了新的契机,深度学习算法的优化将会提高全基因组选择的预测能力。
该研究团队以玉米、小麦和番茄3种作物的4种不同维度的群体数据为测试材料,通过创新深度学习算法框架开发了全基因组选择新方法。
与其他五种主流预测方法相比,该方法有以下优点: 可以利用多组学数据开展全基因组预测;算法设计中包含批归一化层、回调函数和校正线性激活函数等结构,可以有效降低模型错误率,提高运行速度;预测精度稳健,在小型数据集上的表现与目前主流预测模型相当,在大规模数据集上预测优势更加明显;计算时间与传统方法相近,比已有深度学习方法提速近10倍;超参数调整对用户更加友好。
该研究得到了国家重点研发计划、国家自然科学基金、海南崖州湾种子实验室和中国农业科学院科技创新工程等项目的支持。
学术支持
中国农业科学院作物科学研究所
记者
宋雅娟
(文图:赵筱尘 巫邓炎)