IF50.5｜动态免疫景观驱动SARS-CoV-2进化

用DMS数据+抗体药代动力学+区域基因组监测，预测变异株相对适合度，精确匹配历史动态。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

自大流行以来，SARS-CoV-2刺突蛋白持续进化，产生大量变异株。刺突蛋白是中和抗体的主要靶点，病毒通过逃逸抗体介导的中和作用来最大化感染免疫人群的能力。由于病毒感染会诱导中和抗体，病毒进化可能在一个由当地感染史塑造的动态免疫景观上导航。已有研究利用深度突变扫描（DMS）数据刻画抗体逃逸，但如何将DMS数据、抗体药代动力学和区域基因组监测整合起来，预测变异株的相对适合度，仍是一个挑战。

科学问题

卡在哪里： 此前研究多依赖病例报告数据，但检测和报告逐渐不可靠；同时缺乏将DMS数据、抗体药代动力学和区域感染史整合的机制模型，难以解释不同国家间变异株动态的差异。

本文要回答： 开发一个综合机制模型，预测变异株特异性的易感个体数量随时间的变化，并检验该数量是否决定变异株的相对适合度。

技术路线

作者主要用了：DMS数据、抗体药代动力学模型、GInPipe、废水病毒载量、基因组监测。

作者首先利用DMS数据计算任意两个变异株之间的交叉中和谱，结合谱系特异性刺突蛋白突变谱，得到针对不同表位类别的折叠抗性。然后整合抗体药代动力学，估计近期感染后对另一变异株的保护程度和时间。接着利用GInPipe从时间戳病毒基因组重建感染时间线，结合废水病毒载量数据，估计每个变异株的易感个体数量。最后将该数量与变异株频率变化比较，验证其预测能力。

图 1　Fig. 1。图1展示了模型框架：利用DMS数据定义交叉中和的折叠抗性（FR），结合谱系突变谱，计算任意谱系对之间的折叠抗性图谱。星号表示刺突假群（即刺突蛋白突变相同的谱系组）。该图概括了从DMS数据到交叉中和、再到易感个体数量估计的流程。

核心亮点

亮点 1｜模型精确预测德国变异株动态

在德国数据中，模型预测的免疫驱动相对适合度与历史变异株频率变化高度匹配。例如，模型准确预测了BA.2在2022年4-5月的拐点，BA.4+BA.5在7-10月的拐点，以及BF.7、BQ.1.1、XBB.1.5、XBB.1.9和EG.5在2022年12月、2023年1月、4月中旬、夏季和秋季的拐点。对于更新的JN.1和KP.1、KP.2、KP.3，模型也正确预测了2024年春季和夏季的拐点。此外，数据衍生的频率变化与模型预测的幅度一致。

图 2　Fig. 2。图2a显示不同表位类别抗体在指定位点的突变诱导折叠抗性；图2b显示DMS数据中特定表位类别抗体的相对效力IC50(DMS)，实线为各类别平均值，虚线为总平均值；图2c显示针对免疫诱导变异株的表位类别A、B、C抗体的中和折叠抗性；图2d显示预测的中和概率。该图验证了DMS数据与中和实验的一致性，并展示了抗体效力和交叉中和的量化。

亮点 2｜模型可预测未来变异株动态

使用截至2023年4月16日的数据，模型预测XBB.1.5和XBB.1.9在2023年4月中旬无增长劣势，XBB.1.16有轻微增长优势，EG.5.1有显著增长优势。这些预测与2023年4-7月德国实际变异株动态精确匹配：XBB.1.5和XBB.1.9从35%和20%下降至5%，XBB.1.16从2%升至10%，EG.5.1从<1%升至>30%。模型还预测尚未出现的BA.2.86具有略低于EG.5.1的增长优势，但趋势上升，这与BA.2.86和JN.1在2024年1月主导全球的事实一致。

图 3　Fig. 3。图3a显示德国2022年3月至2024年7月刺突假群的历史动态，包括BA.2.X、BA.5.X、BF.7.X、BQ.1.1.X、XBB.1.5.X、XBB.1.9.X、EG.5.X、JN.1.X和KP.X。插图显示模型预测的相对适合度γy(t)（彩色区域）与数据中频率变化（实线）的叠加。图3b显示基于截至2023年4月16日数据的预测与后续实际动态的对比。

亮点 3｜全球12国验证模型普适性

模型应用于11个其他国家（澳大利亚、巴西、加拿大、丹麦、法国、日本、墨西哥、南非、瑞典、英国、美国），仅改变输入为当地感染史。模型预测谱系是否上升（γy>0）或下降（γy<0）的平均准确率为0.92。除了BA.5、BQ.1和XBB.1.5等主要谱系，模型还成功预测了国家特异性谱系，如澳大利亚的BR.2.1、XBC.1.3、XBC.1.6，巴西的FE.1和GK.1，丹麦的BN.1.X，以及澳大利亚和日本的HK.3。

图 4　Fig. 4。图4显示11个国家主要谱系的相对丰度（顶部实线）和模型计算的相对适合度γy(t)（底部线条为均值估计，阴影区域为药代动力学变异导致的最小-最大区间）。该图展示了模型在不同国家预测谱系上升或下降的能力，平均准确率为0.92。

亮点 4｜感染史决定谱系成功与否

模型解释了为何某些谱系只在部分国家成功。例如，BA.2.12.1在美国占据主导，但在德国和日本未能传播，因为其进入时已太晚，之前的BA.2波已产生大量交叉中和免疫。XBB.1.16在日本快速上升至25%，但在瑞典仅升至≤15%，因为瑞典之前的XBB.1.5波更强，留下了更小的免疫生态位。BF.7在德国和丹麦传播，但在美国不成功，因为BQ.1在美国更好地填充了免疫生态位。

图 5　Fig. 5。图5展示了感染史如何决定谱系成功：a显示BA.2.12.1在美国、德国和日本的动态及模型预测的相对易感个体数量；b显示XBB.1.16在日本和瑞典的动态及预测；c显示BF.7在德国、丹麦和美国的动态及预测。这些案例说明先前感染波产生的交叉免疫决定了后续变异株的生态位。

亮点 5｜模型预测BA.2.86和JN.1崛起

在2023年11月中旬，模型预测BA.2.86（+JN.1）将在所有调查国家中频率增加，并预测了增加幅度，其中美国增幅最大，其次是英国和丹麦。实际观察显示BA.2.86和JN.1从2023年11月中旬到2024年1月急剧上升，与预测一致。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： DMS数据、抗体药代动力学模型、GInPipe、废水病毒载量、基因组监测
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事病毒进化、免疫建模、基因组监测和疫苗设计的生信与流行病学研究者。

带走一句

用DMS数据+抗体药代动力学+区域感染史，可构建动态免疫景观模型，预测变异株相对适合度，为疫苗设计和风险评估提供依据。