Maladies infectieuses : une nouvelle méthode d’intelligence artificielle pour une gestion en temps réel

Depuis 25 ans, une discipline révolutionne l’épidémiologie : la phylodynamique. À partir de séquences génétiques, elle étudie la manière dont les pathogènes évoluent. Les mathématiques permettent d’assembler de manière cohérente ces données sous forme d’arbres généalogiques, chaque branche représentant une chaîne de transmission et chaque feuille l’infection d’un individu. La longueur des branches peut renseigner sur le nombre de mutations et les embranchements sur les relations de parenté entre les pathogènes. Ainsi, pour une souche donnée, il est possible de remonter à la souche mère et de comparer leurs séquences génétiques.

Ces arbres généalogiques sont construits grâces à des algorithmes, qui proposent l’arbre le plus probable à partir des données génétiques à disposition. Différents paramètres peuvent être estimés, comme la vitesse de propagation d’un pathogène, la durée de l’infection, son origine géographique, etc.

Pour obtenir des estimations robustes, il faut donc traiter un nombre important de séquences génétiques et également comparer les paramètres estimés avec les données en épidémiologie classique, fondées sur l’observation des populations d’individus. 

Cela nécessite un passage à l’échelle supérieure pour les modèles mathématiques, aujourd’hui limités par la complexité des données (combinaison des séquences génétiques avec des dates, des prévalences¹ et localisations géographiques…) et le nombre de données à traiter.

Des scientifiques d’INRAE ont utilisé une méthode d’intelligence artificielle par apprentissage profond, dite d’estimation neuronale de la loi a posteriori (NPE), habituellement appliquée en neurosciences et astrophysique. À partir d’un jeu de données comprenant 72 génomes, issus de l’épidémie d’Ebola de 2014 en Sierra Leone, l’équipe a montré la robustesse de cette méthode. Les paramètres estimés à partir des arbres généalogiques sont similaires à ceux obtenus à partir de méthodes d’inférence classiques. C’est la première fois que cette méthode est utilisée avec des données génétiques dans une application phylodynamique.

La NPE permet de calibrer beaucoup plus rapidement les modèles mathématiques et d’intégrer un nombre important de données (potentiellement des milliers de séquences) de différentes natures. L’utilisation d’algorithmes puissants ouvre la voie à une gestion des épidémies et épizooties en temps réel, avec des tests de scénarios en direct et la possibilité d’ajouter à tout moment de nouvelles données. Les scientifiques ont mis à disposition des tutoriels détaillés en ligne pour répliquer ce type d'analyses.

1. Proportion de personnes atteintes d’une maladie (anciens et nouveaux cas) à un moment défini ou sur une période précise.