Сара Гурев (Sarah Gurev) исследует машинное обучение для вирусологии. Вместе с коллегами она разработала EVEscape, систему оценки мутаций, которые могут помочь вирусу уйти от иммунного ответа. После работы над этой моделью она занялась компьютерным проектированием вирусных белков для проверки вакцин и оценкой надёжности самих прогнозов.
Биография: от Стэнфорда к вирусологии
Гурев выросла в Сакраменто, штат Калифорния. В биографии лаборатории Аарона Шмидта сказано, что она осталась в Северной Калифорнии для учёбы в Стэнфорде. В собственном резюме исследовательница указывает специализацию в информатике с направлением «биокомпьютинг» и окончание университета в 2020 году. Список выпускников факультета информатики подтверждает получение степени бакалавра.
Интерес к тому, как научное знание выходит за пределы лаборатории, заметен уже в её студенческих работах. В 2017 году журнал Стэнфорда Intersect опубликовал её статью о том, как популярные медиа описывают технологию CRISPR. Это исследование касается научной коммуникации, а не вирусного прогнозирования. Позднее, согласно резюме Гурев, в Стэнфорде она участвовала в проектах по структурной биологии и медицине.
В 2020 году Гурев начала докторскую работу в Массачусетском технологическом институте (MIT). Параллельно она работала в лаборатории Деборы Маркс (Debora Marks) Гарвардской медицинской школы. В 2023 году получила степень магистра по электротехнике и информатике, затем защитила диссертацию о том, как использовать данные, собранные до пандемии, для проектирования и проверки средств против будущих вариантов вируса. Официальная программа выпуска MIT относит её диссертацию к сентябрю 2025 года. Личная страница подтверждает завершение докторской программы по информатике и электротехнике.
Выбор темы совпал с началом пандемии COVID-19. Однако связь между этими событиями не стоит превращать в готовую историю о внезапном научном озарении: опубликованная биография лаборатории сообщает лишь, что Гурев приступила к изучению ИИ для вирусов в начале докторантуры. Более существенен сам исследовательский вопрос. Можно ли заранее выделить изменения вирусного белка, из-за которых антителам будет труднее его распознать?
EVEscape: прогноз до появления нового варианта
Вирусы меняются по мере размножения. Некоторые мутации оказываются невыгодными для вируса. Другие сохраняют его способность заражать клетки и одновременно меняют участок белка, на который нацелены антитела. Такое изменение называют иммунным ускользанием. Для разработки вакцин и антител полезно знать о нём заранее, но в начале вспышки исследователям обычно не хватает образцов и результатов лабораторных испытаний.
Именно эту задачу решала команда EVEscape. В статье, опубликованной в *Nature* в октябре 2023 года, Николь Тадани (Nicole Thadani), Сара Гурев и Паскаль Нотин (Pascal Notin) обозначены как авторы с равным вкладом. Среди других участников проекта были Нур Юсеф (Noor Youssef), Ярин Галь (Yarin Gal) и Дебора Маркс. Формулировка «создала EVEscape» по отношению к одному человеку была бы неточной: это командная работа.
Модель объединяет два вида подсказок. Первый даёт история последовательностей белка: алгоритм учится по родственным вирусным белкам оценивать, какие изменения совместимы с жизнеспособностью вируса. Второй дают свойства самого белка: доступность его участков для антител и биофизические особенности замены аминокислот. На выходе получается оценка потенциального иммунного ускользания для конкретной мутации. Она помогает исследователям выбрать варианты для проверки, а не сообщает, какой вариант вируса непременно возникнет.
Ключевое достоинство метода состоит во времени его применения. Авторы обучили модель на данных, доступных до 2020 года, и затем сопоставили её прогнозы с ходом пандемии SARS-CoV-2. Это ретроспективная проверка: исследователи скрыли от модели будущие события и оценили, насколько хорошо она бы их предвидела. Согласно публикации в *Nature*, EVEscape предсказывала часть мутаций, связанных с последующим иммунным ускользанием, а её результаты по этой задаче были сопоставимы с высокопроизводительными лабораторными измерениями. Авторы также проверяли перенос метода на грипп и ВИЧ и рассчитывали оценки для менее изученных вирусов Ласса и Нипах.
Такая оценка особенно полезна, когда число возможных замен в белке гораздо больше числа вариантов, которые лаборатория может испытать. Исследователь не получает от системы готового календаря будущих вспышек. Он получает ранжированный список гипотез: какие изменения стоит проверить сначала, какие участки белка могут потребовать особого внимания при проектировании вакцины и против каких вариантов стоит испытать антитело. По мере поступления новых данных этот список можно пересматривать. Именно поэтому в научной статье EVEscape описана как инструмент подготовки и наблюдения, а не как окончательный прогноз заболеваемости.
Гурев объяснила прикладную пользу метода в сообщении Гарвардской медицинской школы о работе: быстрая оценка угрозы новых вариантов может помочь раньше принимать решения в здравоохранении. В 2024 году TIME включил её в список TIME100 AI и отметил её работу над моделями, лежащими в основе прогнозов. Признание получило исследование команды, а не готовая система, которая безошибочно предсказывает пандемии.
От прогноза к проверке вакцин
Следующий вопрос возник естественно: что делать с прогнозом, если будущего варианта ещё нет? Команда предложила создавать в лаборатории белки, похожие по свойствам на возможные будущие варианты, и проверять на них антитела. Такой подход получил название EVE-Vax. В статье в *Immunity* за май 2025 года Гурев указана среди авторов вслед за Нур Юсеф.
Авторы сообщили о проектировании 83 вариантов шиповидного белка SARS-CoV-2. В экспериментальных системах эти белки позволили изучить устойчивость к нейтрализации, сопоставимую с некоторыми вариантами, возникшими позднее. Работа также выявила различия в широте ответа на разные типы бустерных вакцин в опытах на нечеловекообразных приматах. Речь идёт о способе ранней лабораторной оценки кандидатов и об экспериментальных результатах. Из них не следует, что EVE-Vax уже улучшила эффективность вакцины для людей или дала готовую к применению вакцину.
Исследование EVE-Vax продолжает логику EVEscape, но решает другую задачу. EVEscape расставляет приоритеты среди возможных мутаций. EVE-Vax предлагает материал для проверки того, сохранят ли вакцины и антитела защитные свойства против похожих изменений. В обоих случаях компьютерный прогноз приобретает ценность после экспериментальной проверки.
Где заканчивается точность прогноза
Ограничения EVEscape описали сами авторы. В разделе обсуждения статьи *Nature* они предупреждают, что модель не способна учесть все условия новой пандемии и определить точный путь эволюции вируса. На распространение варианта влияют не только его способность обходить антитела, но и заражающая способность, поведение людей, ранее перенесённые инфекции и другие факторы.
В 2024 году независимая группа в исследовании полного шиповидного белка SARS-CoV-2 получила более сильные результаты для некоторых лабораторных измерений, чем для EVEscape, при объяснении роста отдельных вирусных линий. Авторы указали, что в их проверке оценки EVEscape не всегда превосходили случайные данные по способности предсказывать изменения темпа роста линий. Это не опровергает исходную ретроспективную проверку иммунного ускользания, но показывает, насколько важно различать близкие на первый взгляд задачи: предсказать изменение распознавания антителами и предсказать, какой вариант распространится среди людей.
Гурев и коллеги занялись также проверкой самих моделей. В препринте, обновлённом в январе 2026 года, они представили набор данных EVEREST для сравнения прогнозов по различным вирусам и предложили способы оценивать надёжность результатов. На странице лаборатории Маркс исследователи сообщают, что универсальные языковые модели белков в этих проверках уступали подходам, обученным на родственных белках. Это предварительный научный результат: на дату подготовки статьи доступен препринт, а не опубликованная рецензируемая версия.
Для читателя здесь важен практический вывод. Одна высокая оценка модели ещё не означает, что новый вирусный вариант станет опасным. Она подсказывает, на что направить ограниченное время лаборатории. Чем яснее известны условия, при которых прогноз ошибается, тем полезнее он для тех, кто выбирает образцы для испытаний и оценивает вакцины.
Исследовательская работа и интересы
После защиты диссертации Гурев стала постдокторантом в программе FutureHouse. Организация описывает её работу как исследование белкового дизайна, вирусологии и взаимодействий вирусов с клетками хозяина. На личной странице она называет научными наставниками Сергея Овчинникова (Sergey Ovchinnikov) из MIT и Аарона Шмидта (Aaron Schmidt) из Института Рагона. Её интересуют модели, способные исследовать вирусные и иммунные белки и помогать оценивать риск перехода вирусов между видами.
В сентябре 2026 года сайт FutureHouse относит Гурев к выпускникам набора 2025 года, а её личная страница всё ещё представляет её как участницу постдокторской программы. Поэтому точнее говорить о подтверждённом направлении работы после докторантуры, чем утверждать без оговорки срок текущего контракта. Лаборатория Шмидта также указывает её среди постдокторантов.
Вне лаборатории она, согласно биографии этой лаборатории, любит читать, играть в настольные игры и проводить время в кафе. Такие детали мало говорят о технологии, но позволяют увидеть за перечнем публикаций человека, который выбрал длительную академическую работу вместо быстрого выпуска продукта.
Несколько фактов о работе Гурев
- В исследовании 2023 года Гурев разделила статус авторов с равным вкладом с Николь Тадани и Паскалем Нотиным. Старшим автором статьи была Дебора Маркс.
- В 2023 году MIT отметил её среди стипендиатов программы MIT-Takeda, поддерживающей исследования ИИ для здравоохранения.
- Коалиция CEPI сообщила в октябре 2023 года о поддержке развития EVEscape на сумму до 8 миллионов долларов. Финансирование предназначалось партнёрству с Гарвардской медицинской школой, а не лично Гурев.
- Статья об EVE-Vax включает не только расчёты, но и лабораторные испытания спроектированных вирусных белков. Это пример связи между моделированием и экспериментом.
- Гурев не ограничилась одним семейством вирусов: в списке её работ есть исследования SARS-CoV-2, гриппа и методов оценки прогнозов для вирусных белков.
Положение на сентябрь 2026 года и вклад в ИИ
К сентябрю 2026 года Гурев известна прежде всего как соавтор EVEscape и исследовательница моделей для вирусных и иммунных белков. На её личном сайте перечислены публикации о прогнозе мутаций, EVE-Vax и проверке методов на разных вирусах. Она также сообщает, что ищет преподавательскую позицию. Это её собственное сообщение, а не объявление о состоявшемся назначении.
Вклад Гурев удобнее оценивать по сформулированным научным задачам. EVEscape показала, как использовать эволюционную историю и свойства белков для ранжирования потенциальных вариантов иммунного ускользания до накопления данных новой пандемии. EVE-Vax расширила эту логику до создания объектов для лабораторного испытания. Работа над EVEREST задаёт ещё один необходимый вопрос: насколько можно доверять прогнозу, если вирус и условия проверки меняются? Ни один из этих шагов не отменяет необходимость экспериментов, эпидемиологического наблюдения и испытаний вакцин.
В интервью TIME 2024 года Гурев сформулировала принцип, который связывает эти направления:
“The direct partnership between computationalists and experimentalists will really drive AI to become impactful in different biological applications.”
«Именно прямое сотрудничество специалистов по вычислительным методам и экспериментаторов поможет ИИ приносить пользу в разных областях биологии».
Это не обещание, что алгоритм заменит лабораторию. Прогноз помогает решить, какие гипотезы проверять первыми; эксперимент показывает, сработали ли они. История исследований Гурев интересна именно этой связью между вычислением и проверкой.
Заключение
Сара Гурев пришла в изучение вирусов из информатики и сосредоточилась на практической задаче: выигрывать время перед очередным изменением патогена. EVEscape предлагает список возможных мутаций для наблюдения, EVE-Vax помогает заранее проверять защиту, а последующие исследования уточняют границы точности таких инструментов.
Её работа ещё не равна готовой вакцине или надёжному прогнозу следующей пандемии. Она даёт исследователям способ ставить более точные вопросы до того, как нужный вариант вируса станет распространённым.
Источники
- Schmidt Lab, биография Сары Гурев, дата публикации не указана, проверено 28 сентября 2026 года.
- Sarah Gurev, личная страница и резюме, даты обновления не указаны, проверено 28 сентября 2026 года.
- Stanford Computer Science, список выпускников 2019 и 2020 годов, архивная публикация.
- Intersect, выпуск со статьёй Сары Гурев о CRISPR, 3 апреля 2017 года.
- MIT, программа выпуска с диссертацией Сары Гурев, 2026 год.
- Thadani, Gurev и соавторы, Learning from prepandemic data to forecast viral escape, Nature, 11 октября 2023 года.
- Harvard Medical School, An AI Tool That Can Help Forecast Viral Variants, 11 октября 2023 года.
- TIME, Sarah Gurev, 5 сентября 2024 года.
- Youssef, Gurev и соавторы, исследование EVE-Vax, Immunity, карточка Broad Institute, май 2025 года.
- Исследование полного шиповидного белка SARS-CoV-2, Nature, 3 июля 2024 года.
- Gurev и соавторы, Evaluating Variant Effect Prediction Across Viruses, bioRxiv, версия от 12 января 2026 года; описание лаборатории Маркс.
- FutureHouse, профиль Сары Гурев и список стипендиатов, проверено 28 сентября 2026 года.
- MIT, стипендиаты MIT-Takeda, 19 января 2023 года.
- CEPI, Forecasting viral mutations, 20 октября 2023 года.
Фото обложки: предоставленный редакции портрет из профиля Сары Гурев в LinkedIn. Фон удалён, изображение использовано в составной обложке.
