Le SRAS-CoV-2 est en constante mutation et chaque nouvelle variante surprend souvent le monde. 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 :dans quelle mesure les personnes vaccinées et précédemment infectées sont-elles protégées 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 des sciences et de l'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 Cell .

Explorer la multitude de variantes potentielles

Étant donné que les virus mutent de manière aléatoire, personne ne peut savoir exactement comment le SARS-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 pourrait muter. Et c'est le cas même si l'on considère une petite région du virus :la protéine de pointe du SRAS-CoV-2, qui est importante pour l'infection et la détection par le système immunitaire. Rien que dans cette région, il existe des dizaines de milliards de mutations théoriquement possibles.

C'est pourquoi la nouvelle méthode adopte une approche globale :pour chaque variant de cette multitude de variants viraux potentiels, il prédit s'il est capable ou non d'infecter les cellules humaines et s'il sera neutralisé par des anticorps produits par le système immunitaire présents chez les vaccinés et personnes récupérées. Il est fort probable que parmi toutes ces variantes potentielles se cache celle qui dominera la prochaine étape de la pandémie de COVID-19.

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 mutées 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 variantes 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.

Bien que la collection de variantes mutées que les chercheurs ont analysée ne comprenne 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 pourraient infecter les cellules humaines et dans quelle mesure ils pourraient échapper aux anticorps.

Les chercheurs ont utilisé les données collectées pour former des modèles d'apprentissage automatique, capables d'identifier des modèles complexes et, lorsqu'ils sont donnés, seule la séquence d'ADN d'une nouvelle variante pourrait 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 maintenant être utilisés pour faire ces prédictions pour des dizaines de milliards de variantes théoriquement possibles avec des mutations simples et combinatoires et allant bien au-delà du million qui ont été testés en laboratoire.

Traitement par anticorps de nouvelle génération

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 cours de 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 ayant l'activité la plus large.

"L'apprentissage automatique pourrait soutenir le développement de médicaments anticorps en permettant aux chercheurs d'identifier les anticorps susceptibles 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 variantes capables d'échapper à l'immunité

De plus, la méthode développée à l'ETH Zurich pourrait 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 du variant omicron qui s'est échappé de la plupart des anticorps et a entraîné cet hiver de nombreuses percées d'infections chez les personnes vaccinées et précédemment infectées. Par conséquent, comme pour les thérapies par anticorps, c'est un avantage majeur si les vaccins pouvaient induire des anticorps qui offrent une protection contre de futures variantes virales potentielles.

"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 futures variantes potentielles."

Une prise de décision plus rapide 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 prédire si les anticorps produits par les vaccins existants seront efficaces. De cette façon, il peut accélérer le processus de prise de décision lié aux vaccinations. Par exemple, il se peut 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 rappels de vaccination dès que possible.

Reddy souligne que la technologie pourrait également être adaptée à d'autres virus en circulation, tels que la grippe, car la prédiction des futures variantes de la grippe pourrait soutenir le développement de vaccins contre la grippe saisonnière. + Explorer plus loin

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