Le Massachusetts Institute of Technology (MIT) a développé un outil d’intelligence artificielle baptisé VaxSeer, capable de prédire avec une précision supérieure à celle de l’Organisation mondiale de la Santé (OMS) les souches de grippe dominantes pour la saison suivante. Chaque année, des experts de l’OMS se réunissent deux fois pour recommander les souches vaccinales à inclure dans les vaccins contre la grippe, dans l’objectif d’optimiser leur efficacité. Cette efficacité, mesurée par des études observationnelles après chaque saison, peut atteindre 40 à 60 % lorsque la souche choisie correspond étroitement à celle qui circule réellement. Malgré des décennies de surveillance, l’efficacité actuelle des vaccins reste limitée, en grande partie à cause du taux élevé de mutation du virus de la grippe. Pour améliorer cette précision, une équipe du MIT a conçu VaxSeer, un système d’apprentissage profond entraîné sur des décennies de données de séquences virales et de résultats d’essais de laboratoire. Contrairement aux modèles évolutifs traditionnels qui analysent individuellement les mutations d’un acide aminé, VaxSeer utilise un modèle linguistique de protéines pour capturer les effets combinés des mutations et simuler la dynamique de domination des souches virales, adaptée aux virus à évolution rapide comme la grippe. Le système repose sur deux moteurs de prédiction : l’un évalue la probabilité de propagation d’une souche (son potentiel de domination), l’autre son réactivité aux anticorps induits par le vaccin (son antigenicité). Ensemble, ils génèrent un score de couverture prédictif, indicateur de la capacité d’un vaccin à protéger contre les souches futures. Ce score, compris entre moins l’infini et 0, s’approche de 0 lorsque la correspondance antigénique est optimale. Dans une étude rétrospective sur dix saisons de grippe, VaxSeer a surpassé les recommandations de l’OMS dans 9 des 10 saisons pour le sous-type H3N2, et a égalé ou surpassé l’OMS dans 6 des 10 saisons pour H1N1. Ces résultats, publiés dans Nature Medicine, montrent que VaxSeer peut anticiper les souches dominantes avec une efficacité supérieure à celle des méthodes actuelles. Le fonctionnement de VaxSeer repose sur une double approche : d’abord, un modèle linguistique de protéines est utilisé pour estimer la vitesse de propagation des souches au fil du temps, en tenant compte de leurs interactions compétitives. Ensuite, ces résultats sont intégrés à un cadre mathématique basé sur des équations différentielles ordinaires pour simuler la dynamique de propagation du virus. Pour l’antigenicité, le système s’appuie sur des données d’essais d’inhibition de la hémagglutination, une mesure standard de la capacité des anticorps à bloquer l’adhésion du virus aux cellules humaines. « En simulant l’évolution du virus et son interaction avec le système immunitaire, des outils comme VaxSeer permettent aux autorités sanitaires de prendre des décisions plus rapides et plus éclairées, restant en avance dans la course contre les variants émergents », explique Wenxian Shi, principal auteur de l’étude. Actuellement, VaxSeer se concentre uniquement sur la protéine hémagglutinine de la grippe. À l’avenir, les chercheurs envisagent d’intégrer d’autres protéines comme la neuraminidase, ainsi que des facteurs cliniques tels que l’historique immunitaire, les contraintes de production ou les doses. L’application de ce type de modèle à d’autres virus nécessite toutefois des jeux de données de grande qualité sur l’évolution virale et les réponses immunitaires — des données souvent peu accessibles. Cependant, l’équipe travaille déjà sur des méthodes capables de fonctionner même en l’absence de grandes quantités de données, en exploitant les relations évolutives entre les virus. « Face à la rapidité de l’évolution virale, les traitements actuels sont souvent en retard. VaxSeer est une tentative de rattraper ce décalage », affirme Regina Barzilay, professeure titulaire en intelligence artificielle et santé à l’MIT et directrice du CSAIL. Selon Jon Stokes, chercheur à l’Université McMaster, cette recherche ouvre des perspectives bien au-delà de la grippe : « Ces modèles prédictifs représentent une nouvelle stratégie pour anticiper l’évolution des maladies infectieuses, nous permettant d’agir avant que les virus ne s’échappent de nos moyens de contrôle. »