Preparing for future coronavirus variants using artificial intelligence

Se préparer aux futures variantes de coronavirus à l’aide de l’intelligence artificielle

<div data-thumb="https://scx1.b-cdn.net/csz/news/tmb/2022/preparing-for-future-c.jpg" data-src="https://scx2.b-cdn.net/gfx/news/2022/preparing-for-future-c.jpg" data-sub-html="Graphical abstract. Credit: Cellule (2022). DOI : 10.1016/j.cell.2022.08.024. https://doi.org/10.1016/j.cell.2022.08.024″>

Cellule (2022). DOI : 10.1016/j.cell.2022.08.024. https://doi.org/10.1016/j.cell.2022.08.024″ width=”800″ height=”530″/>
Résumé graphique. Le crédit: Cellule (2022). DOI : 10.1016/j.cell.2022.08.024. https://doi.org/10.1016/j.cell.2022.08.024

Le SRAS-CoV-2 est en constante mutation et chaque nouvelle variante prend souvent le monde par surprise. Prenons, par exemple, la variante hautement mutée de l’omicron qui est apparue en novembre dernier et a obligé les autorités sanitaires à développer une stratégie de réponse rapide, même si au départ il n’y avait pas de réponses à des questions importantes : comment sont protégées les personnes vaccinées et précédemment infectées contre la nouvelle variante ? Et les thérapies par anticorps sont-elles toujours efficaces contre cette nouvelle version du virus ?

Des chercheurs dirigés par le professeur Sai Reddy du Département de science et d’ingénierie des biosystèmes de l’ETH Zurich à Bâle ont maintenant développé un moyen d’utiliser l’intelligence artificielle pour répondre à ces questions, potentiellement même en temps réel immédiatement après l’émergence d’une nouvelle variante. Leurs résultats sont publiés dans Cellule.

Explorer la multitude de variantes potentielles

Comme les virus mutent au hasard, personne ne peut savoir exactement comment le SRAS-CoV-2 évoluera dans les mois et les années à venir et quelles variantes domineront à l’avenir. En théorie, il n’y a pratiquement aucune limite aux façons dont un virus peut muter. Et c’est le cas même si l’on considère une petite région du virus : la protéine de pointe du SRAS-CoV-2, importante pour l’infection et la détection par le système immunitaire. Dans cette seule région, il existe des dizaines de milliards de mutations théoriques possibles.

C’est pourquoi la nouvelle méthode adopte une approche globale : pour chaque variante de cette pléthore de variantes virales potentielles, elle prédit si elle est capable ou non d’infecter les cellules humaines et si elle sera neutralisée par les anticorps produits par le système immunitaire présents dans les vaccins et personnes récupérées. Il est fort probable que parmi toutes ces variantes potentielles, celle qui dominera la prochaine étape de la pandémie de COVID-19 soit cachée.

Évolution synthétique et apprentissage automatique

Pour établir leur méthode, Reddy et son équipe ont utilisé des expériences de laboratoire pour générer une grande collection de variantes mutantes de la protéine de pointe SARS-CoV-2. Les scientifiques n’ont pas produit ou travaillé avec des virus vivants, mais ils n’ont produit qu’une partie de la protéine de pointe, et il n’y avait donc aucun risque de fuite de laboratoire.

La protéine de pointe interagit avec la protéine ACE2 sur les cellules humaines pour l’infection, et les anticorps de la vaccination, de l’infection ou de la thérapie par anticorps agissent en bloquant ce mécanisme. De nombreuses mutations des variants du SRAS-CoV-2 se produisent dans cette région, ce qui permet au virus d’échapper au système immunitaire et de continuer à se propager.

Alors que la collection de variantes mutantes analysées par les chercheurs ne comprend qu’une petite fraction des plusieurs milliards de variantes théoriquement possibles – qui seraient impossibles à tester en laboratoire – elle contient un million de ces variantes. Ceux-ci portent différentes mutations ou combinaisons de mutations.

En effectuant des expériences à haut débit et en séquençant l’ADN de ces millions de variantes, les chercheurs ont déterminé le succès de l’interaction de ces variantes avec la protéine ACE2 et avec les thérapies par anticorps existantes. Cela indique dans quelle mesure les variants potentiels individuels peuvent infecter les cellules humaines et dans quelle mesure ils peuvent échapper aux anticorps.

Les chercheurs ont utilisé les données collectées pour former des modèles d’apprentissage automatique, qui sont capables d’identifier des modèles complexes, et lorsqu’ils sont fournis, seule la séquence d’ADN d’une nouvelle variante peut prédire avec précision si elle peut se lier à l’ACE2 pour l’infection et s’échapper des anticorps neutralisants. Les modèles finaux d’apprentissage automatique peuvent désormais être utilisés pour faire ces prédictions pour des dizaines de milliards de variantes théoriquement possibles avec des mutations uniques et combinatoires et allant bien au-delà des millions testés en laboratoire.

Traitement par anticorps de pointe

La nouvelle méthode aidera à développer la prochaine génération de thérapies par anticorps. Plusieurs de ces anticorps ont été développés pour traiter le virus SARS-CoV-2 original et approuvés pour une utilisation aux États-Unis et en Europe. Parmi ceux-ci, cinq anticorps ont été retirés de l’utilisation clinique et de nombreux autres en développement clinique ont été interrompus car ils ne pouvaient plus neutraliser la variante omicron. Pour relever ce défi, la nouvelle méthode peut être appliquée pour identifier les anticorps qui ont l’activité la plus large.

“L’apprentissage automatique peut soutenir le développement de médicaments anticorps, permettant aux chercheurs d’identifier quels anticorps ont le potentiel d’être les plus efficaces contre les variantes actuelles et futures”, déclare Reddy. Les chercheurs travaillent déjà avec des sociétés de biotechnologie qui développent des thérapies par anticorps COVID-19 de nouvelle génération.

Identifier les variants capables d’échapper à l’immunité

De plus, la méthode développée à l’ETH Zurich peut être appliquée pour soutenir le développement de vaccins COVID-19 de nouvelle génération. L’accent est mis ici sur l’identification des variantes virales qui se lient encore à la protéine ACE2 – et peuvent donc infecter les cellules humaines – mais ne peuvent pas être neutralisées par les anticorps présents chez les personnes vaccinées et récupérées. En d’autres termes, des variantes qui peuvent échapper à la réponse immunitaire humaine. Ce fut en effet le cas pour la variante omicron qui a échappé à la plupart des anticorps et qui a entraîné cet hiver de nombreuses percées infectieuses chez les personnes vaccinées et précédemment infectées. Par conséquent, à l’instar des thérapies par anticorps, il est très avantageux que les vaccins puissent induire des anticorps qui offrent une protection contre d’éventuelles futures variantes virales.

“Bien sûr, personne ne sait quelle variante du SRAS-CoV-2 émergera ensuite”, déclare Reddy. “Mais ce que nous pouvons faire, c’est identifier les mutations clés qui pourraient être présentes dans les futures variantes, puis travailler à l’avance pour développer des vaccins qui offrent une protection plus large contre ces possibles variantes futures.”

Des décisions plus rapides pour la santé publique

Enfin, cette méthode d’apprentissage automatique peut également soutenir la santé publique, car lorsqu’une nouvelle variante apparaît, elle peut rapidement faire des prédictions sur l’efficacité des anticorps produits par les vaccins existants. De cette façon, il peut accélérer le processus de prise de décision lié aux vaccinations. Par exemple, il se pourrait que les personnes qui ont reçu un vaccin particulier produisent des anticorps qui ne sont pas efficaces contre une nouvelle variante et devraient donc recevoir des vaccins de rappel dès que possible.

Reddy souligne que la technologie pourrait également être adaptée à d’autres virus circulants, comme la grippe, car la prédiction de futures variantes de la grippe pourrait soutenir le développement de vaccins contre la grippe saisonnière.


Un nouvel anticorps puissant neutralise toutes les variantes connues du SRAS-CoV-2


Plus d’information:
Joseph M. Taft et al, Deep Mutational Learning Predicts ACE2 Binding and Antibody Escape to Combinatorial Mutations in the SARS-CoV-2 Receptor Binding Domain, Cellule (2022). DOI : 10.1016/j.cell.2022.08.024

Infos journaux :
Cellule

Devis: Se préparer aux futures variantes de coronavirus à l’aide de l’intelligence artificielle (2022, 5 septembre) récupéré le 5 septembre 2022 sur https://phys.org/news/2022-09-future-coronavirus-variants-artificial-intelligence.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation loyale à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans autorisation écrite. Le contenu est fourni à titre informatif uniquement.

Leave a Comment

Your email address will not be published.