Les chercheurs en immunologie ont introduit un outil informatique pour améliorer la préparation à une pandémie en permettant la comparaison de diverses données expérimentales. Cet algorithme utilise l’apprentissage automatique pour trouver des modèles dans des ensembles de données, améliorant ainsi la compréhension des réponses immunitaires. Il promet des avancées significatives dans la conception de vaccins et la recherche en immunologie, avec un large potentiel dans divers contextes biologiques.
Les biologistes computationnels exploitent apprentissage automatique pour donner un sens aux données du système immunitaire.
Les chercheurs du système immunitaire ont conçu un outil informatique pour renforcer la préparation à une pandémie. Les scientifiques peuvent utiliser ce nouvel algorithme pour comparer les données d’expériences très différentes et mieux prédire comment les individus peuvent réagir à la maladie.
« Nous essayons de comprendre comment les individus combattent différents virus, mais la beauté de notre méthode est que vous pouvez l’appliquer de manière générale dans d’autres contextes biologiques, tels que des comparaisons de différents médicaments ou de différentes lignées de cellules cancéreuses », explique Tal Einav, Ph. D., professeur adjoint à l’Institut d’immunologie de La Jolla (LJI) et co-responsable de la nouvelle étude en Rapports de cellules Méthodes.
Ces travaux répondent à un défi majeur de la recherche médicale. Les laboratoires qui étudient les maladies infectieuses – même ceux qui se concentrent sur les mêmes virus – collectent des types de données très différents. « Chaque ensemble de données devient sa propre île indépendante », explique Einav.
Certains chercheurs pourraient étudier des modèles animaux, d’autres pourraient étudier des patients humains. Certains laboratoires se concentrent sur les enfants, d’autres collectent des échantillons auprès de personnes âgées immunodéprimées. L’emplacement compte aussi. Les cellules collectées auprès de patients en Australie pourraient réagir différemment à un virus par rapport aux cellules collectées auprès d’un groupe de patients en Allemagne, uniquement sur la base d’expositions virales passées dans ces régions.
« Il existe un niveau supplémentaire de complexité en biologie. Les virus évoluent constamment, ce qui modifie également les données », explique Einav. « Et même si deux laboratoires examinaient les mêmes patients la même année, ils auraient pu effectuer des tests légèrement différents. »
Professeur adjoint Tal Einav, Ph.D. de l’Institut d’immunologie de La Jolla (LJI). Crédit : Matthew Ellenbogen, Institut d’immunologie de La Jolla
Une méthode de calcul unificatrice
Travaillant en étroite collaboration avec Rong Ma, Ph.D., chercheur postdoctoral à l’Université de Stanford, Einav a entrepris de développer un algorithme permettant de comparer de grands ensembles de données. Son inspiration lui vient de sa formation en physique, une discipline dans laquelle, aussi innovante soit-elle, les scientifiques peuvent être sûrs que les données seront conformes aux lois connues de la physique. E sera toujours égal à mc2.
« Ce que j’aime faire en tant que physicien, c’est tout rassembler et trouver les principes unificateurs », explique Einav.
La nouvelle méthode informatique n’a pas besoin de savoir précisément où ni comment chaque ensemble de données a été acquis. Au lieu de cela, Einav et Ma ont exploité l’apprentissage automatique pour déterminer quels ensembles de données suivent les mêmes modèles sous-jacents.
« Vous n’êtes pas obligé de me dire que certaines données proviennent d’enfants, d’adultes ou d’adolescents. Nous demandons simplement à la machine « dans quelle mesure les données sont similaires les unes aux autres », puis nous combinons les ensembles de données similaires en un sur-ensemble qui entraîne des algorithmes encore meilleurs », explique Einav. Au fil du temps, ces comparaisons pourraient révéler des principes cohérents dans les réponses immunitaires, des modèles difficiles à détecter dans les nombreux ensembles de données dispersés qui abondent en immunologie.
Impacts potentiels sur la conception des vaccins et l’immunologie
Par exemple, les chercheurs pourraient concevoir de meilleurs vaccins en déterminant exactement comment les anticorps humains ciblent les protéines virales. C’est là que la biologie devient encore une fois vraiment compliquée. Le problème est que les humains peuvent produire environ un quintillion d’anticorps uniques. Pendant ce temps, une seule protéine virale peut présenter plus de variations qu’il n’y a d’atomes dans l’univers.
«C’est pourquoi les gens collectent des ensembles de données de plus en plus volumineux pour tenter d’explorer le terrain de jeu presque infini de la biologie», explique Einav.
Mais les scientifiques ne disposent pas d’un temps infini, ils ont donc besoin de moyens pour prédire l’étendue des données qu’ils ne peuvent pas collecter de manière réaliste. Einav et Ma ont déjà montré que leur nouvelle méthode informatique pouvait aider les scientifiques à combler ces lacunes. Ils démontrent que leur méthode de comparaison de grands ensembles de données peut révéler une myriade de nouvelles règles d’immunologie, et que ces règles peuvent ensuite être appliquées à d’autres ensembles de données pour prédire à quoi devraient ressembler les données manquantes.
La nouvelle méthode est également suffisamment approfondie pour donner aux scientifiques la confiance dans leurs prédictions. En statistiques, un « intervalle de confiance » est un moyen de quantifier le degré de certitude d’un scientifique quant à une prédiction.
« Ces prédictions fonctionnent un peu comme l’algorithme de Netflix qui prédit quels films vous aimeriez regarder », explique Einav. L’algorithme Netflix recherche des modèles dans les films que vous avez sélectionnés dans le passé. Plus vous ajoutez de films (ou de données) à ces outils de prédiction, plus ces prédictions seront précises.
« Nous ne pourrons jamais rassembler toutes les données, mais nous pouvons faire beaucoup avec seulement quelques mesures », explique Einav. « Et non seulement nous estimons la confiance dans les prédictions, mais nous pouvons également vous dire quelles autres expériences augmenteraient au maximum cette confiance. Pour moi, la véritable victoire a toujours été d’acquérir une compréhension approfondie d’un système biologique, et ce cadre vise précisément à faire cela.
Orientations futures et collaborations
Einav a récemment rejoint le corps professoral du LJI après avoir terminé sa formation postdoctorale dans le laboratoire de Jesse Bloom, Ph.D., au Fred Hutch Cancer Center. Alors qu’il poursuit son travail au LJI, il prévoit de se concentrer sur l’utilisation d’outils informatiques pour en apprendre davantage sur les réponses immunitaires humaines à de nombreux virus, à commencer par la grippe. Il est impatient de collaborer avec d’éminents immunologistes et scientifiques des données du LJI, notamment le professeur Bjoern Peters, Ph.D., également physicien de formation.
« Vous obtenez une belle synergie lorsque vous avez des personnes issues de milieux différents », explique Einav. « Avec la bonne équipe, il devient enfin possible de résoudre ces problèmes importants et ouverts. »
