Un nouvel outil d'intelligence artificielle pourrait aider à limiter ou même à prévenir les pandémies en identifiant les espèces animales qui peuvent héberger et répandre des virus capables d'infecter les humains.
Créée par les chercheurs de la Washington State University, le modèle d'apprentissage automatique analyse les caractéristiques de l'hôte et la génétique du virus pour identifier les réservoirs d'animaux potentiels et les zones géographiques où de nouvelles flambées sont plus susceptibles de se produire. Le modèle se concentre sur les orthopoxvirus – qui comprend les virus qui provoquent la variole et le MPOX.
Les chercheurs ont récemment publié une étude sur leur travail en utilisant le modèle de la revue Biologie des communications. Leurs résultats pourraient aider les scientifiques à anticiper les menaces zoonotiques émergentes et, surtout, à être adaptées à d'autres virus.
« Près des trois quarts des virus émergents qui infectent les humains proviennent des animaux », a déclaré Stephanie Seifert, experte en émergence virale et en transmission des espèces croisées et professeur adjoint au WSU College of Veterinary Medicine Paul G. Allen pour la santé mondiale qui a aidé à mener le projet. « Si nous pouvons mieux prédire quelles espèces présentent le plus grand risque, nous pouvons prendre des mesures proactives pour prévenir les pandémies. »
Le modèle a identifié l'Asie du Sud-Est, l'Afrique équatoriale et l'Amazonie comme des points chauds potentiels pour les épidémies d'orthopoxvirus. Ces régions ont non seulement des concentrations élevées d'hôtes potentiels, mais se chevauchent également avec des zones où les taux de vaccination de variole sont faibles. Alors que le vaccin contre la variole fournit une protection croisée contre d'autres orthopoxvirus, les efforts de vaccination ont arrêté après l'éradication de la variole en 1980.
L'étude a également identifié plusieurs familles d'animaux comme des hôtes probables pour MPOX, notamment les rongeurs, les chats, les canidés (chiens et espèces apparentés), les mouffettes, les mustellides (belettes et loutres) et les ratons laveurs. Le modèle a correctement exclu les rats, qui ont été démontrés dans les études de laboratoire résistantes à l'infection MPOX.
Katie Tseng, étudiante diplômée en médecine vétérinaire et le premier auteur de l'étude, a noté que le modèle a non seulement démontré une précision prédictive plus élevée que les modèles précédents, mais il peut également être utile pour prédire les hôtes pour d'autres virus.
Bien que nous ayons utilisé le modèle spécifiquement pour les orthopoxvirus, nous pouvons également aller dans de nombreuses directions différentes et commencer à régler un réglage fin de ce modèle pour d'autres virus. «
Katie Tseng, étudiante diplômée en médecine vétérinaire et premier auteur de l'étude
Pilar Fernandez, écologiste de la maladie et professeur adjoint de l'école Allen qui a aidé à diriger le projet avec Seifert, a déclaré que les modèles d'apprentissage automatique précédents prédisent des hôtes potentiels pour les orthopoxvirus reposaient sur les traits écologiques des animaux, tels que l'habitat et le régime alimentaire, et d'autres caractéristiques qui influencent leurs interactions avec l'environnement, telles que l'utilisation des ressources et la survie. Bien que efficaces, ces modèles ont ignoré une partie cruciale de l'équation – la composition génétique des virus.
« Les modèles précédents étaient plus basés sur les caractéristiques de l'hôte, mais nous voulions ajouter l'autre côté de l'histoire, les caractéristiques des virus », a déclaré Fernandez. « Notre modèle améliore la précision des prédictions de l'hôte et fournit une image plus claire de la façon dont les virus peuvent se propager entre les espèces. »
Les orthopoxvirus provoquent généralement de petites épidémies localisées, mais les événements récents, y compris la propagation mondiale de MPOX en 2022, ont soulevé des préoccupations concernant ces virus établissant de nouvelles zones endémiques et se propageant à travers de nouveaux réservoirs d'animaux.
L'identification des réservoirs possibles est la clé pour anticiper les événements de débordement, cependant, accomplissant que, par le biais de l'échantillonnage traditionnel sur le terrain, est une entreprise à forte intensité de ressources et peu pratique. Le nouveau modèle simplifie cette tâche et peut être utilisé pour cibler les efforts de surveillance de la faune.
« Si vous recherchez le réservoir de virus MPOX en Afrique centrale, c'est l'un des endroits les plus biodiverses sur Terre, alors par où commencez-vous? » Selon Seifert. « Si nous pouvons utiliser ces modèles d'apprentissage automatique pour nous aider à hiérarchiser les efforts d'échantillonnage, alors cela sera vraiment bénéfique pour identifier d'où viennent ces virus et pour comprendre les risques qu'ils posent. »
L'équipe de recherche comprenait également Heather Koehler, professeur adjoint à l'École de biosciences moléculaires qui a étudié de manière approfondie MPOX. Daniel J. Becker, Université d'Oklahoma; Rory Gibb, University College de Londres; et Collin Carlson, Yale University, a également contribué en tant que membres de l'Institut de recherche sur l'émergence virale, un réseau collaboratif de scientifiques étudiant les interactions hôtes-virus pour prédire la propagation du virus à l'échelle mondiale financée par la National Science Foundation. Le groupe comprend des experts en science des données, en biologie informatique, en virologie, en écologie et en biologie évolutive.
