Le coronavirus 2 du syndrome respiratoire aigu sévère (SRAS-CoV-2), l’agent causal de la pandémie de maladie à coronavirus 2019 (COVID-19), est un coronavirus hautement pathogène appartenant au genre bétacoronavirus.
Le génome du SRAS-CoV-2 est constitué d’un ARN simple brin de 29 903 nucléotides. Le SRAS-CoV-2 est associé à un taux de mutation très élevé et, récemment, l’apprentissage automatique s’est avéré être une méthode précieuse pour identifier les signatures génomiques distinctives parmi les séquences virales. Cela pourrait être utile dans les études taxonomiques et phylogénétiques et aider également à détecter les variantes émergentes préoccupantes. Dans une nouvelle étude publiée sur bioRxiv* serveur de préimpression, les chercheurs ont étudié KEVOLVE, une approche basée sur un algorithme génétique avec un noyau d’apprentissage automatique, pour identifier plusieurs signatures génomiques.
Étude : L’approche basée sur l’apprentissage automatique KEVOLVE identifie efficacement les signatures génomiques spécifiques à la variante SARS-CoV-2. Crédit d’image : Metamorworks / Shutterstock
Sommaire
Méthode d’apprentissage automatique : KEVOLVE
KEVOLVE inclut un noyau d’apprentissage automatique et est basé sur un algorithme génétique. Il identifie des sous-ensembles minimaux de motifs discriminants. Dans le contexte du VIH, les motifs identifiés par KEVOLVE ont facilité la construction de modèles plus performants que les outils de prédiction du VIH spécialisés, démontrant ainsi le potentiel de cette approche.
Dans la présente étude, les chercheurs ont évalué le KEVOLVE, dont la fonction de recherche a été améliorée pour identifier de plus petits ensembles de motifs. Il était important de conserver les mêmes critères de performance discriminants. Les scientifiques ont comparé plusieurs outils de référence pour identifier les motifs discriminants parmi les séquences du génome du SRAS-CoV-2. Quatre étapes principales ont été suivies : (i) identification de motifs dans un ensemble restreint de séquences nucléotidiques, (ii) utilisation des motifs pour construire des modèles de prédiction et évaluation de ceux-ci à l’aide d’un grand ensemble de séquences de SARS-CoV-2, (iii) analyse des Motifs identifiés par KEVOLVE pour mettre en évidence leurs fonctions biologiques potentielles, et (iv) dédicace d’une analyse spécifique à la nouvelle variante d’Omicron.
Organisation du génome du SRAS-CoV-2
Principales conclusions
Dans une étude comparative dans laquelle les scientifiques ont analysé un grand ensemble de données sur le génome du SRAS-CoV-2, il a été observé que KEVOLVE était plus performant dans l’identification des signatures variant-discriminatives par rapport à plusieurs outils statistiques de référence de référence.
Carte des clusters représentant le pourcentage de présence de motifs identifiés par KEVOLVE selon les groupes de variants du SARS-CoV-2.
Ensuite, les motifs de discrimination des variants identifiés par KEVOLVE ont été analysés pour évaluer l’impact fonctionnel potentiel de ces mutations. La divergence entre les génomes des variants du SRAS-CoV-2 s’est avérée inférieure à 1 %, et la divergence moyenne entre toutes les séquences était de 0,29 %. Omicron s’est avéré être le plus divergent (0,44%), par rapport à d’autres variantes, telles que Alpha, Zeta et Iota. Dans l’ensemble, les signatures discriminantes des variantes étaient associées à des mutations connues parmi les différentes variantes en ce qui concerne les impacts fonctionnels et pathologiques sur la base de la littérature existante.
Grâce à KEVOLVE, les chercheurs ont pu mettre en évidence trois substitutions constituant des caractéristiques uniques d’Omicron : I3758V dans ORF1ab (NSP6) et N679K et D796Y dans ORF2. Ils ont déclaré que les implications fonctionnelles de ces mutations sont inconnues. Des recherches futures pourraient étudier comment ces mutations pourraient influencer l’aptitude virale et la sensibilité à l’immunité naturelle et à médiation vaccinale. Il convient de noter que la combinaison de N679K avec H655Y et P681H pourrait augmenter le clivage de la pointe et, par conséquent, améliorer la fusion et la transmission virale.
Matrice de dissemblance des taux de nucléotides et arbre phylogénétique des familles de variantes du SRAS-CoV-2.
Implication des résultats
Les découvertes documentées dans l’étude proposent que KEVOLVE soit un outil robuste pour la détermination rapide et précise des variantes SARS-CoV-2. Les signatures génomiques pourraient être utilisées pour construire des bibliothèques de peptides ou d’oligonucléotides pour une détection rapide des agents pathogènes à l’aide des outils existants. Contrairement aux méthodes traditionnelles, KEVOLVE est automatique et indépendant des alignements de séquences multiples, un énorme avantage. KEVOLVE possède également la capacité de s’adapter pour permettre l’analyse automatisée de motifs préalablement identifiés, augmentant ainsi encore son efficacité.
Remarques finales
Dans la présente étude, les chercheurs ont démontré les nombreux avantages des outils basés sur l’apprentissage automatique par rapport aux méthodes conventionnelles pour discriminer efficacement les variantes du SRAS-CoV-2. La nouvelle approche ne dépend pas de l’alignement de séquences multiples et permet aux utilisateurs de capturer les mutations associées aux motifs d’intérêt. De plus, cette détection pourrait se faire dans différents groupes de pathogènes viraux.
De telles méthodes pourraient bien être fondamentales à l’avenir pour identifier de nouveaux motifs pointant vers des mutations non reconnues, d’importance fonctionnelle, dans de nouvelles variantes émergentes. Les scientifiques ont souligné que KEVOLVE pourrait être un complément précieux aux analyses génomiques conventionnelles pour classer et comprendre les variantes virales.
*Avis important
bioRxiv publie des rapports scientifiques préliminaires qui ne sont pas évalués par des pairs et, par conséquent, ne doivent pas être considérés comme concluants, guider la pratique clinique/les comportements liés à la santé, ou traités comme des informations établies.
