L’aide pour des stratégies de traitement efficaces de la maladie à coronavirus 2019 (COVID-19), causée par le coronavirus 2 du syndrome respiratoire aigu sévère (SARS-CoV-2), est également fournie de nombreuses manières par des prédictions et une modélisation utilisant l’apprentissage automatique. Les individus positifs au COVID-19 présentent des schémas de gravité distincts qui sont associés à différents profils d’activation immunitaire. Le COVID-19 chronique (CC) – également connu sous le nom de « Long Haulers » (LH) – est un groupe d’individus précédemment infectés. Ils nécessitent plus de temps pour connaître un rétablissement complet, ce qui représente un type pathologique particulier.
Dans une nouvelle étude menée par des chercheurs de l’Universidad de Costa Rica et d’autres institutions, une approche bioinformatique est utilisée pour déterminer si le COVID-19 chronique (CC) pourrait avoir une signature immunologique distincte par rapport au léger à modéré (MM) ou grave / critique. COVID-19[FEMININEDanscecontextel’équipeacherchéàidentifierlessignaturesimmunologiquespossiblesdelagravitéduCOVID-19LeschercheursontdécouvertquelescasgravessontcaractérisésparuneinflammationexcessiveetuneactivationunrecrutementetdesactivitésdeneutralisationdeslymphocytesTdérégulés
L’équipe a utilisé un classificateur de réseau neuronal profond multi-classes pour mieux s’adapter au modèle de prédiction; ils ont récapitulé une précision de 100%, un rappel de 100% et un score F1 de 1 sur l’ensemble de test. Un premier score spécifique des patients atteints de COVID-19 chronique est défini dans cette étude comme S1 = (IFN-γ + IL-2) / CCL4-MIP-1β. En outre, un score spécifique pour les patients sévères atteints de COVID-19 est défini comme S2 = (10 * IL-10 + IL-6) 63 – (IL-2 + IL-8).
Après s’être rétablis de leur maladie aiguë et probablement des mois après la clairance virale, ils continuent de présenter une multitude de symptômes. De plusieurs semaines à plusieurs mois, ils peuvent souffrir de douleurs articulaires, de douleurs musculaires, de fatigue, de «brouillard cérébral» ou d’autres symptômes similaires, ressemblant très probablement à la polyarthrite rhumatoïde, aux maladies auto-immunes et à d’autres comme la fibromyalgie et le syndrome de fatigue chronique. On suppose également que ces symptômes peuvent être causés par la persistance du COVID-19 lui-même.
Symptômes rapportés par les patients long-courriers inclus dans l’étude.
Dans cette étude, les chercheurs ont enquêté sur 144 personnes. Il y avait 29 individus normaux. Les patients couvrant le continuum de la maladie COVID-19 comprenaient 26 personnes atteintes de COVID-19 léger à modéré, 25 personnes atteintes de COVID-19 sévère et 64 personnes présentant des symptômes chroniques de COVID-19. Les chercheurs ont collecté du plasma et isolé les PBMC de chacun d’eux. Ils ont effectué un profilage de sous-ensemble immunitaire et un panel de cytokines à 14 plex sur tous les patients. Ils ont analysé les données à l’aide de méthodes d’apprentissage automatique pour prédire et distinguer les groupes les uns des autres.
Les cas graves sont caractérisés par des taux élevés d’IL-6 et d’IL-10 – ces deux cytokines sont attribuées à l’augmentation de l’immunopathogenèse du COVID-19 et de la valeur prédictive dans les cas graves. Pour renforcer la classification, le score présenté ici différencie les cas sévères par la soustraction de l’IL-2 et de l’IL-8, qui sont des cytokines liées à l’activation adéquate des cellules T (IL-2) et au recrutement (IL-8).
Le score généré pour distinguer la LH, ces patients sont caractérisés par une augmentation de l’IFN-γ et de l’IL-2 et une production réduite de CCL4. Fait intéressant, il y avait une augmentation du pourcentage de cellules T CD4 + et CD8 + circulantes exprimant CTLA-4 dans le groupe LH par rapport aux donneurs sains. Il s’agit d’une molécule qui affecte la présentation de l’antigène dans les organes lymphoïdes secondaires, mais sa présence dans les cellules T circulantes peut également refléter des mécanismes compensatoires aux faibles taux de CCL4 dans le groupe LH.
Les chercheurs proposent que les lésions pulmonaires de longue durée observées dans la LH soient causées par une combinaison de facteurs comprenant 1) une persistance plus longue du virus influencée par le profil immunitaire de la LH caractérisé par des niveaux élevés d’IFN-γ et d’IL-2 induisant une polarisation Th1, qui est inefficace faible recrutement des lymphocytes T induit par CCL4, conduisant à une activation des cellules myéloïdes inflammatoires; et 2) la conséquence des effets immunopathologiques pulmonaires de ce profil immunitaire contre la LH.
Fait intéressant, les individus COVID-19 (y compris LH, légers, sévères) présentent des niveaux élevés de CCL5, un chimioattractant qui aime les signaux CCL4 via CCR5.
À l’aide de l’apprentissage automatique, ils ont identifié des algorithmes permettant une détermination précise des immunotypes COVID chroniques et COVID sévères. Les chercheurs ont également abordé la question de savoir si le profil immunologique représente une réponse immunitaire indicative d’une exposition antigénique prolongée ou chronique. Surtout, ils présentent un score immunologique quantitatif qui pourrait être utilisé pour stratifier les patients au traitement et / ou mesurer de manière non subjective la réponse au traitement.
Des preuves scientifiques récentes des derniers mois soutiennent fortement que les résultats pour les patients COVID-19 sont déterminés par les mécanismes immunitaires activés en réponse à l’infection virale, et ils sont différents dans chaque cas. Cette étude met en lumière la détermination d’importants biomarqueurs prédictifs qui aident à une meilleure stratification des patients – évite la saturation des systèmes de santé et réduit la charge sur les soignants.
Référence du journal:
Bruce Patterson, Jose Guevara-Coto, Ram Yogendra, Edgar B. Francisco, Emily Long, Amruta Pise, Hallison Rodrigues, Purvi Parikh, Javier Mora, Rodrigo A. Mora-Rodriguez. Prédiction basée sur l’immunité de la gravité et de la chronique du COVID-19 décodée à l’aide de l’apprentissage automatique. bioRxiv serveur de pré-impression. 2020.12.16.423122; doi: https://doi.org/10.1101/2020.12.16.423122, https://www.biorxiv.org/content/10.1101/2020.12.16.423122v1