Des chercheurs conçoivent un réseau de neurones pour prédire la gravité des variantes du COVID-19

Les réseaux de neurones profonds deviennent de plus en plus populaires dans de plus en plus d’industries, et bien que les développements récents des réseaux conçus pour jouer à Go et aux jeux vidéo en ligne aient attiré l’attention des médias, l’utilisation de ces réseaux dans la recherche gagne également du terrain.

Plus récemment, un groupe de chercheurs de l’Université de Drexel a construit un réseau neuronal conçu pour prédire le risque d’infection par la maladie grave à coronavirus 2019 (COVID-19) à partir de la séquence de la protéine de pointe. Cette étude est actuellement disponible sur le serveur de prépublication En revue*.

L’étude

Les chercheurs visaient à traduire les données de séquence en phénotype viral à l’aide de modèles de réseaux neuronaux profonds. Le modèle peut être formé pour prédire la fonction d’une séquence d’acides aminés codés avec des mots dans une phrase dans des modèles de traitement du langage, puis leur attribuer des jetons entiers.

L’architecture de transformateur a été utilisée pour le codage de séquence. Le transformateur est une structure modulaire à plusieurs têtes, chaque tête étant composée d’une couche d’attention et d’un réseau neuronal à anticipation, avec des sorties de tête ajoutées et normalisées pour fournir un codage de séquence. Un réseau neuronal convolutif (CNN) est utilisé avec une largeur de noyau de 1, ce qui permet de réduire la taille des têtes de transformateur et de maintenir l’efficacité du calcul.

Les réseaux de neurones fournissent souvent des prédictions précises, mais il peut être difficile d’expliquer comment ces prédictions ont été créées. Les scientifiques ont ajouté une couche d’attention vers l’avant et une couche connectée intermédiaire de dimension NH pour aider à classer, visualiser et interpréter les prédictions.

Le modèle a été formé sur une fraction des données de séquence GISAID contenant des métadonnées sur l’état du patient – environ 147 000 échantillons. Une fois que tous les échantillons qui ne pouvaient pas être attribués à légers ou graves ont été retirés, il restait environ 54 000 échantillons. Afin de créer un modèle précis, les chercheurs ont été contraints d’inclure des données démographiques, notamment l’âge et le sexe, car celles-ci peuvent modifier considérablement le résultat prévu de l’infection au COVID-19.

Aucune tendance cohérente n’a été trouvée en ce qui concerne les personnes extrêmement jeunes / âgées, et les scientifiques craignaient que le biais d’échantillonnage ne fausse ces données – avec relativement peu d’échantillons de jeunes et de personnes âgées, il pourrait être plus probable que seuls les individus hospitalisés aient été échantillonnés.

Une tendance constante de la fréquence des issues graves de l’infection s’est avérée liée à la date de collecte de l’échantillon, avec une forte diminution depuis février 2021. Cette tendance se poursuit dans le temps même lorsque de nouvelles variantes émergent et deviennent dominantes – des études contradictoires montrant que la variante Alpha entraîne une augmentation des hospitalisations et des admissions aux soins intensifs. Cette réduction de la gravité est probablement due aux changements dans le traitement des personnes infectées et à l’augmentation des tactiques de prévention, ainsi qu’à l’émergence de traitements par anticorps monoclonaux, ainsi qu’au début de programmes de vaccination de masse.

Les chercheurs ont également découvert que les données de séquence étaient affectées par la zone dans laquelle les séquences avaient été obtenues – les séquences obtenues plus tôt dans la pandémie étant plus susceptibles d’être classées comme graves, malgré l’absence d’augmentation des symptômes.

Le modèle d’apprentissage en profondeur a pu prédire une proportion significative de classes m8ild et sévères, et lorsque les séquences et les données démographiques ont été incluses dans le modèle, les prédictions ont été considérablement améliorées. Lorsque le modèle d’apprentissage en profondeur a été comparé à un algorithme de forêts aléatoires (RF), il s’est avéré que le modèle d’apprentissage en profondeur faisait des erreurs à un rythme similaire, ce qui est impressionnant pour un modèle nouvellement développé. Malheureusement, le modèle n’a pas pu détecter de différence significative entre les taux de gravité entre les sexes – malgré plusieurs études montrant une maladie plus grave chez les hommes.

Les chercheurs ont tenté d’utiliser le modèle pour prédire la gravité de la variante Omicron. Après avoir contrôlé l’âge et la date, le modèle formé a été exécuté avec les mêmes entrées de date d’âge et de sexe que les prédictions pour les autres variantes afin de comparer leur gravité. Le modèle a prédit une gravité significativement plus faible que Delta, une conclusion qui est étayée par les observations de plusieurs travailleurs de la santé et chercheurs.

Les sites avec la plus grande différence d’attention – impliquant une pertinence particulière dans la prédiction de la gravité – comprenaient 69-70, une délétion Omicron, 95, où la mutation Delta a la mutation T951, ainsi que plusieurs autres sites de mutations clés trouvées dans les variantes les plus sévères préoccupant

Conclusion

Les auteurs soulignent qu’ils ont créé avec succès un modèle capable de faire des prédictions précises et validées pour la variante Omicron, malgré le fait qu’Omicron est significativement différent de la plupart des variantes précédentes.

Ils soulignent qu’il s’agit d’un argument solide en faveur de l’utilisation du modèle pour prédire le comportement des futures variantes et pourrait aider à informer les travailleurs de la santé et les décideurs en matière de santé publique de l’impact de toutes les futures variantes qui émergent.

*Avis important

Cette étude est un rapport scientifique préliminaire qui n’a pas encore été revu par des pairs et, par conséquent, ne doit pas être considéré comme concluant, guider la pratique clinique/les comportements liés à la santé, ou traité comme une information établie.