Forecasting viral evolution from phylogenetic trees
L'article présente antiGen, un modèle d'apprentissage automatique qui exploite les arbres phylogénétiques pour prévoir avec précision les futures mutations virales chez de multiples agents pathogènes, notamment le SARS-CoV-2, l'influenza et la dengue, améliorant ainsi la préparation aux pandémies et le développement thérapeutique.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Les virus sont des changeurs de forme implacables. À mesure qu'ils se multiplient à l'intérieur d'un hôte, ils commettent de minuscules erreurs de copie dans leur code génétique, créant ainsi de nouvelles versions d'eux-mêmes. La plupart de ces changements ne font rien, mais occasionnellement, une mutation donne au virus un nouvel avantage, comme la capacité de se propager plus rapidement ou d'échapper au système immunitaire. Cette évolution constante est la raison pour laquelle un vaccin contre la grippe de l'année dernière pourrait ne pas vous protéger cette année, et pourquoi de nouveaux variants de maladies comme la COVID-19 peuvent émerger de manière inattendue. Pour rester en avance sur ces menaces, les scientifiques doivent prédire quels changements sont susceptibles de se produire ensuite. Traditionnellement, les chercheurs ont tenté de deviner ces futures mutations en étudiant le comportement des protéines en laboratoire ou en utilisant des modèles informatiques qui examinent de vastes bibliothèques de séquences génétiques existantes. Cependant, ces méthodes peinent souvent à voir l'image complète de la façon dont un virus circule réellement à travers le temps et les populations.
Une équipe de chercheurs de l'Université de Stanford et de l'Arc Institute a développé une nouvelle approche qui étudie l'histoire familiale d'un virus pour prédire son avenir. Ils ont créé un modèle d'apprentissage automatique appelé antiGen, qui apprend du chemin évolutif d'un virus plutôt que de simplement son code génétique actuel. Au lieu de simplement mémoriser des séquences, le modèle étudie les étapes spécifiques qu'un virus a suivies pour passer d'une version à une autre, tout comme un historien étudiant les événements spécifiques qui ont conduit à un changement historique majeur. En analysant l'« arbre généalogique » d'un virus — un diagramme qui cartographie la façon dont les différentes souches sont liées et quand elles ont divergé — le modèle apprend les règles qui régissent quelles mutations sont susceptibles d'apparaître ensuite. Cette méthode permet au système d'anticiper des changements qui n'ont encore jamais été observés, offrant un outil puissant pour préparer les vaccins et les traitements avant même qu'un nouveau variant ne se propage.
Les chercheurs ont testé ce système d'abord sur le virus SARS-CoV-2, la cause de la pandémie de COVID-19. Ils ont alimenté le modèle avec des millions de séquences génétiques collectées au cours de la première année de la pandémie et lui ont demandé de prédire les mutations qui apparaîtraient dans les années suivantes. Le modèle a obtenu de meilleurs résultats que toute méthode existante pour prévoir les prochains changements probables de la protéine Spike du virus, la partie qui permet au virus d'entrer dans les cellules humaines. Crucialement, il a également réussi à prédire des mutations qui n'avaient jamais été observées dans les données d'entraînement, suggérant qu'il avait appris les principes sous-jacents de l'évolution virale plutôt que de simplement mémoriser des événements passés. Pour confirmer que ces prédictions étaient biologiquement réelles, l'équipe a créé les variants viraux prédits en laboratoire. Ils ont découvert que la plupart des mutations générées par ordinateur produisaient des virus capables d'infecter encore des cellules, prouvant que le modèle proposait des changements viables et fonctionnels plutôt que des erreurs aléatoires.
Le succès d'antiGen ne s'est pas limité au coronavirus. L'équipe a appliqué le même modèle à trois autres virus courants : la grippe saisonnière, le virus respiratoire syncytial (VRS) et le virus de la dengue. Même si beaucoup moins de données génétiques étaient disponibles pour ces virus par rapport au SARS-CoV-2, le modèle a tout de même surpassé les méthodes traditionnelles pour prédire leurs futures mutations. Cela suggère que l'approche fonctionne pour une large gamme de virus, quel que soit le volume de données de surveillance disponibles. Les chercheurs ont également découvert que la précision du modèle s'améliorait à mesure que davantage de données étaient collectées, ce qui signifie qu'il devient un outil plus puissant à mesure que nous continuons à suivre l'évolution virale. Dans certains cas, la combinaison des prédictions du modèle avec les méthodes statistiques existantes a créé un système de prévision encore plus robuste, capable de gérer des scénarios riches ou pauvres en données.
Bien que le modèle soit très précis pour prédire quelles mutations sont susceptibles de se produire, les chercheurs soulignent qu'il ne crée pas de nouveaux agents pathogènes dangereux. Les changements qu'il prédit sont de petites mutations à étape unique qui font déjà partie du processus évolutif naturel. Ces prédictions sont destinées à aider les responsables de la santé publique et les développeurs de vaccins à garder une longueur d'avance. En sachant quelles mutations sont susceptibles d'émerger, les scientifiques peuvent concevoir des vaccins qui ciblent non seulement le virus circulant aujourd'hui, mais aussi les versions qui seront probablement dominantes demain. Cette approche proactive pourrait transformer la façon dont nous gérons les maladies infectieuses, en déplaçant l'accent de la réaction aux éclosions vers la prévention avant qu'elles ne trouvent un ancrage. L'étude démontre qu'en écoutant l'histoire écrite dans le code génétique d'un virus, nous pouvons commencer à lire son futur.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.