Actualités de l'Urgence - APM

L'approche actuelle s'appuie sur des groupes d'experts qui décident quand une bactérie ou un virus circulant a suffisamment changé pour être qualifié de nouveau variant, a expliqué à APMnews la Dr Noémie Lefrancq de l'école polytechnique fédérale de Zurich, première autrice de ces travaux.

L'outil qu'elle a développé avec ses collègues lorsqu'elle était à l'université de Cambridge est quant à lui automatique: il permet de détecter des variants qui se sont transmis et qui ont circulé dans la population dans le passé mais peut également être utilisé en temps réel pour détecter de nouveaux variants qui sont en train d'émerger, a-t-elle détaillé.

Cette nouvelle approche, appelée phylowave, identifie automatiquement, en créant des "arbres généalogiques", les variants en fonction de l'ampleur des changements génétiques d'un pathogène et de la facilité avec laquelle il se propage dans la population humaine, éliminant ainsi la nécessité de réunir des experts pour le faire.

En utilisant les données de séquençage génétique, cette "suite d'algorithmes" attribue un indice d'expansion à chaque nœud de l'arbre phylogénétique d'un pathogène. Chaque algorithme est spécifique d'un pathogène.

"On donne à l'algorithme les paramètres spécifiques pour le pathogène que l'on veut scanner", a illustré la scientifique. "On fait tourner cette suite d'algorithmes qui va calculer les index de chaque nœud et ensuite classifier les dynamiques automatiquement."

Un modèle potentiellement applicable à tous les pathogènes

Ce modèle a été simulé sur quatre pathogènes dont la dynamique entre les souches était connue: les virus Sars-CoV-2 (sur 3.129 séquences) et H3N2 (sur 1.476 séquences) ainsi que les bactéries Bordetella pertussis (sur 1.248 séquences) et Mycobacterium tuberculosis (sur 998 séquences).

L'indice de Rand ajusté (ARI) permettait de mesurer la concordance entre les classifications, une valeur de 1 correspondant à une concordance parfaite avec les lignées précédemment définies, alors qu'une valeur de 0 serait attendue si les groupes étaient attribués au hasard.

Ici, le niveau de concordance était élevé, puisque la plage ARI variait de 0,62 à 0,94.

Par exemple, les variants préoccupants du Sars-CoV-2 précédemment définis (Alpha, Bêta, Gamma, Delta et Omicron) et d'autres sous-variants précédemment définis correspondaient étroitement aux lignées définies par phylowave. Les lignées générées par d'autres méthodes (fastbaps et treestructure) étaient moins cohérentes avec ces lignées prédéfinies.

La phylowave a également identifié des clades de B. pertussis précédemment définis avec un ARI de 0,63, mais il a identifié trois lignées supplémentaires qui n'avaient pas été identifiées auparavant.

Par ailleurs, les chercheurs ont également montré qu'un jeu de données de 150 séquences du Sars-CoV-2 était suffisant pour que l'outil arrive à détecter la grande majorité des variants.

Ils ont également testé la phylowave sur un jeu de données présentant un biais d'échantillonnage en fonction du temps, se rapprochant des conditions de vie réelle où il n'y a pas toujours un séquençage uniforme en fonction du temps et le modèle "a assez bien reproduit les variants".

Dans cette étude, "nous montrons le concept [sur quatre pathogènes], mais l'outil peut s'appliquer potentiellement à n'importe quel virus ou bactérie où il y a assez de séquences pour détecter des signaux", a expliqué Noémie Lefrancq.

En intégrant la phylowave, les organismes de santé publique seront en mesure d'identifier les souches émergentes en temps opportun et les données pourront être utilisées pour promouvoir des interventions ciblées, concluent les chercheurs.

(Nature, publication en ligne du 1er janvier)

jm/ld/nc/APMnews