Les maladies infectieuses virales posent des défis importants en raison de l’évolution rapide des virus par des mutations. Cela était particulièrement évident pendant la pandémie Covid-19, lorsque des variantes émergentes de SRAS-CoV-2 ont déclenché de nouvelles vagues d’infection. Ces variantes portent souvent des mutations qui les rendent plus transmissibles, ce qui leur permet de se propager rapidement à travers les populations.
Comprendre la «forme physique» d’un virus – sa capacité à se propager dans une population hôte – est devenue essentielle pour gérer et anticiper les menaces virales. Bien qu’il existe des méthodes pour évaluer la forme physique des variantes basées sur les modèles de mutation, les modèles statistiques qui considèrent les interactions entre les mutations font défaut.
Pour relever ce défi, une équipe de chercheurs dirigée par le professeur agrégé Jullei Ito, dont le Dr Adam Strange et le professeur Kei Sato, de l’Institut des sciences médicales de l’Université de Tokyo, au Japon, ont introduit CovFit, un nouveau cadre conçu pour prédire la forme physique des variantes SAR-COV-2. Leurs résultats apparaissent dans Communications de la nature.
CoVFit intègre des données moléculaires avec des données épidémiologiques à grande échelle pour fournir un modèle prédictif qui nous aide à comprendre pourquoi certaines variantes réussissent tandis que d’autres ne le font pas. Ce cadre offre plus que le simple suivi de la propagation du virus; Il révèle les raisons sous-jacentes de son succès, ce qui en fait un outil puissant pour la surveillance et la réponse en temps réel face aux épidémies virales en cours et futures.
Le modèle CoVFit a été développé à travers une approche innovante qui combinait des données moléculaires et épidémiologiques. L’équipe s’est concentrée sur les mutations de la (s) protéine des pointes, qui affectent la capacité du virus à échapper à la protection immunitaire contre les infections ou les vaccinations passées, ainsi que les tendances au niveau de la population comme la prévalence des variantes dans le temps et dans différentes régions. En combinant ces informations, CovFit a été formé et testé pour prédire le score de fitness d’une variante.
Le Dr Ito explique: « Nous avons développé un modèle d’intelligence artificielle (AI), CoVFit, qui prédit la forme physique des variantes SAR-COV-2 basées sur la séquence de protéines S. en utilisant CoVFit, nous avons élucidé les mutations que SARS-CoV-2 a acquises pour améliorer sa forme physique et étendre de manière répétée sa propagation. »
Le modèle a démontré une capacité impressionnante à prédire l’impact évolutif des substitutions d’acides aminés uniques dans le virus par une grande précision, offrant des informations sur la façon dont le virus évolue et se propage.
Le Dr Ito note également que « CovFit devrait permettre la détection précoce de variantes à haut risque avec un potentiel élevé de transmission généralisée, idéalement au point où une seule séquence de la variante est enregistrée dans une base de données. »
L’équipe a en outre développé une approche prospective pour prévoir l’évolution virale à l’aide de CoVFit. Ils ont systématiquement généré des variantes mutantes silico en introduisant toutes les substitutions possibles d’acides aminés uniques dans une souche de référence et ont prédit l’aptitude de chacun. Cela a permis d’identifier les mutations avec une forte probabilité d’émerger dans les variantes futures.
Lorsqu’elle est appliquée à la lignée omicron BA.2.86, CoVFit a prédit que les substitutions aux positions des protéines S 346, 455 et 456 amélioreraient la forme virale. Remarquablement, ces mutations exactes ont été observées plus tard dans les lignées descendantes BA.2.86 – JN.1, KP.2 et KP.3 – qui se sont ensuite propagées à l’échelle mondiale.
Le Dr Ito conclut: « Ces résultats soulignent la capacité de Covfit à anticiper les changements évolutifs entraînés par des substitutions uniques d’acides aminés. »
En conclusion, CoVFit représente une percée majeure dans notre capacité à prédire, interpréter et répondre à l’évolution virale. En intégrant la biologie moléculaire aux données au niveau de la population via l’IA, il fournit une approche flexible, transparente et opportune de la préparation pandémique. Alors que les virus continuent d’évoluer, des outils comme CoVFit joueront un rôle essentiel en guidant les réponses de santé publique proactives et éclairées dans le monde entier.
