À l’avenir, les agents pathogènes provoqueront des pandémies plus régulières et plus virulentes et plusieurs facteurs plaident dans ce sens-là. Changements environnementaux (déforestation, urbanisation, changement climatique, etc.), intensification des voyages internationaux et phénomène d’antibiorésistance.
Toutefois, c’est un propos qu’il convient de nuancer ; les avancées en épidémiologie, en biologie moléculaire et en santé publique permettent une détection plus rapide des épidémies, une meilleure compréhension des mécanismes de transmission et le développement de nouveaux outils de prévention et de traitement. Dans ce panel d’outils, l’IA en est un de choix, notamment pour décrypter le langage génétique des virus et prévoir leurs mutations futures.
Les algorithmes à l’épreuve des mutations virales
Prenons l’exemple des virus à ARN ; le SARS-CoV-2, archétype de cette famille, se distinguant par son habileté à accumuler des modifications génétiques au fil de ses réplications. Contrairement à l’ADN, doté de mécanismes de correction, l’ARN viral tolère davantage d’erreurs lors de sa copie, engendrant par conséquent un grand nombre de variants.
Pour mieux se figurer ce que cela signifie, on peut imaginer ce type de virus comme une balle qui rebondit. À chaque rebond (infection), il peut changer un peu, ce qui le rend plus difficile à attraper au vol. Cette plasticité génétique permet aux virus d’explorer un vaste paysage de possibilités évolutives. Il s’adapte très vite à de nouvelles conditions environnementales, comme l’apparition d’anticorps ou de traitements antiviraux.
Pour appréhender cette dynamique complexe, les équipes de recherche de l’Université de Stanford, menées par Brian Hie et ses collaborateurs, ont décidé de s’emparer de la puissance des LLM (Large Language Model). Initialement conçus pour l’analyse textuelle ; comme ChatGPT ou Claude 3 ; ils les ont adaptés pour qu’ils puissent étudier les séquences virales. Ces algorithmes, nourris par des millions de données génomiques, déchiffrent les patterns évolutifs comme autant de phrases dans une langue moléculaire.
Cette approche permet non seulement d’identifier les mutations isolées qui confèrent un avantage sélectif au virus, mais aussi d‘anticiper la dominance de certaines variantes dans l’écosystème viral.
L’IA, notre bouclier face aux prochaines pandémies ?
L’avènement d’outils comme AlphaFold de DeepMind (Google) ou ESM-2 (Meta) a insufflé un nouveau dynamisme à ce domaine de recherche, comme le souligne David Robertson de l’Université de Glasgow. Ces systèmes s’appuient sur une masse colossale de données – près de 17 millions de séquences pour le seul SARS-CoV-2. À l’Université de Tokyo, l’équipe de Jumpei Ito a développé CoVFit, un modèle prédictif qui a déjà fait ses preuves en anticipant l’émergence de certains variants du virus.
À l’Université d’Harvard, l’équipe de Debora Marks y a conçu EVEscape, un système capable de générer 83 versions potentielles de la protéine spike du SARS-CoV-2. Cette dernière joue un rôle fondamental dans le processus d’infection et est donc devenue une cible principale pour les vaccins et les traitements. EVEscape peut ainsi créer des « avatars » moléculaires, qui permettent d’évaluer l’efficacité des futurs vaccins face aux mutations possibles du virus.
Cet outil, à l’instar de COVfit, a aussi prouvé son efficacité. En mars 2024, alors que le variant JN.1 dominait le paysage viral mondial, le modèle CoVFit a identifié trois modifications d’acides aminés susceptibles d’accroître sa capacité de propagation. Ces mutations ont effectivement été observées plus tard, dans des variants qui gagnaient du terrain.
Pour affiner la précision de ces modèles, les chercheurs estiment qu’il faudra accumuler au moins cinq années de données sur l’évolution virale. Les équipes, comme celle de Shusuke Kawakubo à Tokyo, étendent leurs recherches à d’autres pathogènes, notamment le virus de la grippe, pour anticiper les adaptations nécessaires des vaccins saisonniers.
Mais (il y a forcément un mais) un obstacle subsiste : celui des bonds évolutifs, soit l’apparition soudaine de nombreuses mutations qui confèrent au virus de nouvelles caractéristiques. Par exemple : une plus grande transmissibilité, une capacité à échapper aux anticorps, le transformant ainsi en un nouveau variant potentiellement plus dangereux. Ce fut le cas du variant Omicron, qui est apparu avec plus de 50 mutations simultanées ; un phénomène qui reste encore difficile à prévoir. C’est pourquoi Robertson et son équipe explorent les limites de ces trajectoires évolutives imprévisibles ; pour mieux comprendre l’étendue des possibilités d’évolution dès l’apparition d’un nouveau virus.
- Les virus à ARN évoluent rapidement en accumulant des mutations, rendant leur suivi et leur contrôle plus complexes
- L’intelligence artificielle aide à anticiper les mutations virales et à développer des outils comme des vaccins ou des traitements adaptés.
- Malgré ses avancées, l’IA peine encore à prédire les mutations soudaines et massives, comme celles observées avec le variant Omicron.
📍 Pour ne manquer aucune actualité de Presse-citron, suivez-nous sur Google Actualités et WhatsApp.
