Cada otoño, millones de personas se arremangan la camisa para recibir la vacuna estacional contra la gripe, y muchas se preguntan por qué se repite este ritual año tras año. El motivo no es una memoria inmunitaria de corta duración, sino un virus que cambia constantemente, transformándose (especialmente su proteína de superficie, la hemaglutinina) lo suficiente como para mantenerse por delante de nuestras defensas. Dado que las cepas de la vacuna deben seleccionarse con meses de anticipación, la comunidad científica recurre cada vez más a modelos de pronóstico evolutivo que utilizan datos genéticos víricos para predecir qué variantes de influenza tienen más probabilidades de imponerse a continuación.
Al igual que para la comunidad meteorológica puede ser complicado predecir qué día lloverá la próxima semana, los modelos de pronóstico de evolución vírica mantienen un delicado equilibrio entre anticiparse lo suficiente como para que la predicción sea útil y hacerlo con la precisión necesaria para que sea confiable. En el caso de la gripe, en lugar de intentar hacer un pronóstico más allá de dos semanas, como en la meteorología, se busca proyectar hasta un año, que es el tiempo necesario para seleccionar las cepas de la vacuna. Pero cuanto más lejos se proyecta, más difícil es acertar. A esto se suma otra dificultad: la rapidez con que se comparten los datos de secuenciación viral. Los retrasos implican que los modelos trabajen con información ligeramente desactualizada, lo que complica aún más las predicciones.
Un estudio reciente publicado en eLife por el laboratorio Bedford aborda estos desafíos evaluando de forma sistemática cómo cambia la precisión de las predicciones cuando los pronósticos se realizan más cerca de la temporada de gripe y cuando los datos del genoma vírico se comparten más rápidamente. Utilizando datos genéticos de la influenza, quienes realizaron el estudio simularon pronósticos basados en las cepas que circulaban en el momento en que se habría hecho cada predicción y luego compararon esas predicciones con lo que realmente sucedió meses después.
Dirigido por el científico de planta, el Dr. John Huddleston, el estudio constató que pronosticar más cerca de la temporada de gripe acercaba mucho más los modelos a los cambios víricos reales, y que el intercambio más rápido de datos era fundamental al realizar estos pronósticos a corto plazo. Como señala Huddleston, estos resultados plantean nuevas preguntas sobre las consecuencias geográficas, como “en qué partes del mundo una mayor rapidez [en la secuenciación vírica] mejoraría más nuestras estimaciones de las poblaciones globales de influenza”, y si ampliar la capacidad de secuenciación en regiones clave podría tener repercusiones desproporcionadas.
Los modelos de pronóstico están diseñados para predecir qué grupos víricos actuales crecerán o disminuirán en la población. Estas predicciones dependen de saber cuán frecuente es cada grupo en el punto de partida, y esta frecuencia resulta ser sorprendentemente sensible a los retrasos en el intercambio de datos. El laboratorio Bedford descubrió que cuando las secuencias víricas se envían con meses de demora, los grupos de rápido crecimiento tienden a subestimarse, a veces por un amplio margen. Reducir esos retrasos de aproximadamente tres meses a un mes redujo significativamente este sesgo e hizo que las estimaciones de frecuencia fueran más fiables. En otras palabras, un intercambio de datos más rápido no solo mejora los pronósticos a largo plazo, sino que perfecciona el panorama inicial del virus sobre el cual se construyen todas las predicciones.
