L’intelligence artificielle utilisée pour rechercher le prochain SRAS-COV-2

L'intelligence artificielle utilisée pour rechercher le prochain SRAS-COV-2
Rhinolophus rouxi Bat

La chauve-souris Rhinolophus rouxi, qui habite certaines parties de l’Asie du Sud, a été identifiée comme un hôte probable mais non détecté du bétacoronavirus par les auteurs de l’étude. Crédit : Brock et Sherri Fenton

Daniel Becker, professeur adjoint de biologie au Dodge Family College of Arts and Sciences de l’Université d’Oklahoma, dirige depuis un an et demi une étude de modélisation proactive visant à identifier les espèces de chauves-souris susceptibles d’être porteuses de bêtacoronavirus, y compris, mais sans s’y limiter, les virus semblables au SRAS.

L’étude “Optimizing predictive models to prioritize viral discovery in zoonotic reservoirs”, qui a été publiée par Lancet Microbea été menée par Becker, Greg Albery, chercheur postdoctoral au laboratoire Bansal de l’université de Georgetown, et Colin J. Carlson, professeur adjoint de recherche au Center for Global Health Science and Security de Georgetown.

L’équipe comprenait également des collaborateurs de l’université de l’Idaho, de l’université d’État de Louisiane, de l’université de Californie Berkeley, de l’université d’État du Colorado, de l’université Pacific Lutheran et de l’école de médecine Icahn de Mount Sinai, Université de Glasgow, l’Université de Montréal, l’Université de Toronto, l’Université de Gand, le Collège universitaire de Dublin, le Cary Institute of Ecosystem Studies et l’American Museum of Natural History.

L’étude de Becker et de ses collègues s’inscrit dans le cadre des efforts plus larges d’une équipe de recherche internationale appelée Consortium Verena (viralemergence.org), qui s’efforce de prévoir quels virus pourraient infecter les humains, quels animaux les hébergent et où ils pourraient émerger. Albery et Carlson ont été les cofondateurs du consortium en 2020, avec Becker comme membre fondateur.

Malgré les investissements mondiaux dans la surveillance des maladies, il reste difficile d’identifier et de surveiller les réservoirs sauvages de virus qui pourraient un jour infecter les humains. Les modèles statistiques sont de plus en plus utilisés pour déterminer les espèces sauvages à échantillonner en priorité sur le terrain, mais les prédictions générées par un modèle donné peuvent être très incertaines. En outre, les scientifiques suivent rarement le succès ou l’échec de leurs prédictions après les avoir faites, ce qui rend difficile l’apprentissage et l’élaboration de meilleurs modèles à l’avenir. Ensemble, ces limitations signifient qu’il existe une grande incertitude quant aux modèles les mieux adaptés à la tâche.

Dans cette étude, les chercheurs ont utilisé des chauves-souris hôtes de bétacoronavirus, un grand groupe de virus qui comprend ceux qui sont responsables du SRAS et de la grippe aviaire. COVID-19L’étude montre comment utiliser dynamiquement les données pour comparer et valider ces modèles prédictifs des hôtes réservoirs probables. Cette étude est la première à prouver que les modèles d’apprentissage automatique peuvent optimiser l’échantillonnage de la faune sauvage à la recherche de virus non découverts et illustre la meilleure façon de mettre en œuvre ces modèles par le biais d’un processus dynamique de prédiction, de collecte de données, de validation et de mise à jour.

Au premier trimestre 2020, les chercheurs ont entraîné huit modèles statistiques différents qui prédisaient quels types d’animaux pouvaient héberger des bétacoronavirus. Pendant plus d’un an, l’équipe a ensuite suivi la découverte de 40 nouvelles chauves-souris hôtes de bêtacoronavirus afin de valider les prédictions initiales et de mettre à jour dynamiquement leurs modèles. Les chercheurs ont constaté que les modèles exploitant les données sur l’écologie et l’évolution des chauves-souris étaient extrêmement performants pour prédire les nouveaux hôtes des bêtacoronavirus. En revanche, les modèles de pointe issus de la science des réseaux qui utilisaient des mathématiques de haut niveau – mais moins de données biologiques – ont donné des résultats à peu près aussi bons ou moins bons que prévu au hasard.

Il est important de noter que leurs modèles révisés prévoient plus de 400 espèces de chauves-souris dans le monde qui pourraient être des hôtes non détectés de bétacoronavirus, non seulement en Asie du Sud-Est, mais aussi en Afrique subsaharienne et dans l’hémisphère occidental. Bien que 21 espèces de chauve-souris fers à cheval (dans le Rhinolophus ) soient connues pour être des hôtes de virus similaires à celui du SRAS, les chercheurs ont découvert qu’au moins deux quarts des réservoirs plausibles de bétacoronavirus dans ce genre de chauve-souris pourraient encore ne pas être détectés.

“L’une des choses les plus importantes que notre étude nous donne est une liste restreinte, basée sur des données, des espèces de chauves-souris qui devraient être étudiées plus avant”, a déclaré Becker, qui ajoute que son équipe travaille maintenant avec des biologistes de terrain et des musées pour mettre leurs prédictions à profit. “Après avoir identifié ces hôtes probables, l’étape suivante consiste alors à investir dans la surveillance pour comprendre où et quand les bétacoronavirus sont susceptibles de se répandre.”

Becker a ajouté que, bien que les origines des SRAS-CoV-2 restent incertaines, la propagation d’autres virus provenant des chauves-souris a été déclenchée par des formes de perturbation de l’habitat, comme l’agriculture ou l’urbanisation.

“La conservation des chauves-souris estIl s’agit donc d’un élément important de la santé publique, et notre étude montre que le fait d’en savoir plus sur l’écologie de ces animaux peut nous aider à mieux prévoir les futurs événements de débordement”, a-t-il déclaré.

Pour en savoir plus sur cette recherche, voir Shall We Play a Game ? Des chercheurs utilisent l’IA pour rechercher le prochain virus de type COVID/SARS.

Référence : “Optimising predictive models to prioritise viral discovery in zoonotic reservoirs” par Daniel J Becker, PhD ; Gregory F Albery, PhD ; Anna R Sjodin, PhD ; Timothée Poisot, PhD ; Laura M Bergner, PhD ; Binqi Chen ; Lily E Cohen, MPhil ; Tad A Dallas, PhD ; Evan A Eskew, PhD ; Anna C Fagre, DVM ; Maxwell J Farrell, PhD ; Sarah Guth, BA ; Barbara A Han, PhD ; Nancy B Simmons, PhD ; Michiel Stock, PhD ; Emma C Teeling, PhD et Colin J Carlson, PhD, 10 janvier 2022, The Lancet Microbe.
DOI: 10.1016/S2666-5247(21)00245-7

Articles connexes