Chaque année, les experts en santé publique sont confrontés à une décision cruciale : quelles souches de grippe intégrer dans le vaccin saisonnier ? Cette décision doit être prise plusieurs mois avant le début de la saison grippale, dans un contexte de prévision incertaine. Si les souches sélectionnées correspondent à celles qui circulent, le vaccin est efficace ; sinon, sa protection peut s’effondrer, entraînant des cas évitables et une surcharge des systèmes de santé. Ce défi s’est accentué pendant la pandémie de Covid-19, où de nouvelles variantes apparaissaient souvent juste au moment du déploiement des vaccins. La grippe, tout comme le SARS-CoV-2, évolue rapidement et de manière imprévisible, rendant difficile la conception de vaccins protégeant efficacement. Pour réduire cette incertitude, des chercheurs du Laboratoire de sciences informatiques et d’intelligence artificielle du MIT (CSAIL) et du MIT Abdul Latif Jameel Clinic for Machine Learning in Health ont développé VaxSeer, un outil d’intelligence artificielle conçu pour prédire les souches dominantes de grippe et identifier les candidats vaccinaux les plus protecteurs, plusieurs mois à l’avance. VaxSeer utilise des modèles d’apprentissage profond entraînés sur des décennies de séquences virales et de résultats d’essais de laboratoire pour simuler l’évolution du virus et la réponse vaccinale. Contrairement aux modèles évolutifs traditionnels qui analysent les mutations d’acides aminés individuellement, VaxSeer exploite un grand modèle linguistique de protéines pour capturer les effets combinatoires des mutations. « Contrairement aux modèles existants qui supposent une distribution statique des variants, nous modélisons des changements dynamiques de dominance, ce qui convient mieux aux virus en évolution rapide comme la grippe », explique Wenxian Shi, doctorante au département d’électronique et informatique du MIT, chercheuse au CSAIL et auteure principale de l’étude. Un rapport ouvert sur cette recherche a été publié dans Nature Medicine. VaxSeer dispose de deux moteurs de prédiction : l’un estime la probabilité de diffusion d’une souche (dominance), l’autre évalue son efficacité de neutralisation par un vaccin (antigénicité). Ensemble, ils produisent un score de couverture prédictif, une mesure prospective de l’efficacité potentielle du vaccin. Ce score, variant de moins l’infini à 0, s’approche de 0 lorsque le vaccin correspond mieux aux souches futures. Dans une étude rétrospective de 10 ans, les recommandations de VaxSeer ont été comparées à celles de l’OMS pour deux sous-types majeurs : A/H3N2 et A/H1N1. Pour A/H3N2, VaxSeer a surpassé l’OMS dans 9 des 10 saisons, selon des scores de couverture empiriques. Pour A/H1N1, il a surpassé ou égalé l’OMS dans 6 saisons. En 2016, VaxSeer avait identifié une souche non retenue par l’OMS avant l’année suivante. Les prédictions de VaxSeer ont également montré une forte corrélation avec les estimations réelles d’efficacité vaccinale, notamment celles du CDC, du réseau canadien Sentinel Practitioner Surveillance et du programme européen I-MOVE. Le fonctionnement de VaxSeer repose sur un modèle linguistique de protéines pour évaluer la croissance d’une souche, puis sur un cadre mathématique basé sur des équations différentielles ordinaires pour simuler sa propagation. Pour l’antigénicité, il utilise les résultats d’essais d’inhibition de l’hémagglutination, un test standard mesurant la capacité des anticorps à bloquer la liaison du virus aux globules rouges humains. « En modélisant l’évolution virale et l’interaction avec les vaccins, des outils comme VaxSeer pourraient aider les autorités à prendre des décisions plus rapides et plus précises, et rester en avance dans la course entre infection et immunité », affirme Shi. VaxSeer se concentre actuellement sur la protéine HA, le principal antigène de la grippe. Des versions futures pourraient intégrer d’autres protéines comme NA, ou des facteurs comme l’histoire immunitaire, les contraintes de fabrication ou les doses. L’application à d’autres virus nécessite toutefois des jeux de données de haute qualité, souvent non disponibles. L’équipe travaille actuellement sur des méthodes de prédiction dans des contextes à faibles données, en exploitant les liens entre familles virales. « Étant donné la rapidité de l’évolution virale, le développement thérapeutique est souvent en retard. VaxSeer est notre effort pour rattraper le coup », déclare Regina Barzilay, professeure distinguée en IA et santé au MIT, responsable de l’IA au Jameel Clinic. Jon Stokes, professeur adjoint à l’Université McMaster, souligne que cette approche va bien au-delà de la grippe : « Elle ouvre la voie à la prédiction de l’évolution de bactéries résistantes aux antibiotiques ou de cancers résistants aux traitements, permettant de concevoir des interventions cliniques avant que la résistance ne devienne problématique. » L’étude a été menée par Shi, Barzilay, Jeremy Wohlwend et Menghua Wu, avec le soutien de l’Agence de réduction des menaces de défense américaine et du MIT Jameel Clinic.