COVID-19

Projets de Mila liés à la COVID-19

Compte tenu des défis que la COVID-19 pose à notre société, Mila met son expertise en apprentissage automatique au service de la communauté scientifique, conjointement avec ses partenaires issus de différentes disciplines, afin d’aider à trouver des solutions potentielles.

Pour vous joindre à cet effort, n’hésitez pas à communiquer avec nous.

Lire le communiqué de presse

Se joindre à la chaîne Slack AI Against COVID-19

S'impliquer

Soumettre un projet

AI Against COVID-19 Canada

AI Against COVID-19 Canada est un groupe de travail extraordinaire dirigé par une communauté de chercheurs du CIFAR, de Mila – Institut québécois d’intelligence artificielle, de l’Institut Vecteur et d’Amii.

L’équipe a pour objectif de répertorier et de coordonner les projets canadiens d’intelligence artificielle (IA) qui peuvent contribuer à résoudre la pandémie de COVID-19 et à limiter son incidence sur la société.

 

COVI Canada : Traçage de la COVID-19 poste-à-poste propulsé par l’IA : COVI Canada

Personne-ressource : Yoshua Bengio (Mila ; Université de Montréal)

Description : L’objectif consiste à rendre le confinement plus efficace en étant sélectif, c’est-à-dire en permettant aux personnes à faible risque d’être contagieuses d’être soumises à moins de contraintes tout en exerçant une pression d’isolement plus grande sur les personnes à haut risque. Le projet tourne à plein régime avec la participation d’une vingtaine de personnes à la mise au point d’une application de traçage pour le Québec et le Canada. Ce projet comprend un volet d’apprentissage automatique visant à prédire la probabilité qu’une personne soit atteinte de la maladie en fonction de ses antécédents de contact et de ses renseignements médicaux. Cette initiative est fortement axée sur la protection de la vie privée, optant pour une communication poste-à-poste afin d’éviter la mise en place d’un référentiel central des mouvements des personnes. Elle s’appuie sur les efforts mondiaux en matière de code source libre en cours afin de développer les éléments constitutifs nécessaires.

Lire l'article de Yoshua Bengio

Data Against COVID-19

Personnes-ressources : Fred Hamprecht (Université Heidelberg), Nasim Rahaman (Mila ; Université Tuebingen), Floria  Jug (MPI), Oliver Stegle (EMBL)

Description : Un espace collaboratif visant à favoriser et à accélérer les échanges entre les professionnels de la médecine et les scientifiques des données.

Visiter le site web de Data-Against-COVID-19

(en anglais)

Mise au point de médicaments contre la COVID-19, profilage multiomique et études de l’évolution virale

Personnes-ressources : Julie Hussin (MHI ; Université de Montréal), Marie-Pierre Dubé (MHI ; Université de Montréal), Martin Smith (CHUSJ ; Université de Montréal), Guy Wolf (Mila ; Université de Montréal), Smita Krishnaswamy (Université Yale), Irina Rish (Mila ; Université de Montréal)

Description : Cette famille de projets interconnectés se concentre sur la collecte de données médicales (données en « omiques » [génomiques, protéomiques et transcriptomiques] et données cliniques) combinée à une analyse statistique par apprentissage automatique afin de parvenir à une meilleure compréhension mécanique de l’évolution de la COVID-19. L’objectif consiste à faciliter la mise au point de nouveaux médicaments ou à reconvertir des médicaments existants en définissant des cibles contraignantes pour les agents antiviraux et les vaccins potentiels ainsi que pour un traitement plus personnalisé des patients grâce à une évaluation plus précise de la progression de la maladie et du niveau de risque. Nous nous intéressons à l’évolution virale et aux interactions virus-hôte des souches de SRAS-CoV-2 qui peuvent toucher les humains différemment selon leur ascendance, leur sexe, leur âge, leurs comorbidités, leur médication actuelle et leur profil génétique personnel. De telles interactions peuvent être essentielles pour comprendre comment l’épidémie se dénoue et pour mettre au point, à terme, des traitements personnalisés.

Projet 1 : Profilage de l’évolution virale

Description : Depuis le début de la pandémie de SRAS-CoV-2, le virus responsable de la COVID-19 a évolué à partir de sa séquence d’ARN originale provenant d’une souche virale de chauve-souris. En s’appuyant sur des modèles d’apprentissage profond et sur les séquences génomiques du virus SRAS-CoV-2 provenant de patients, nous chercherons à détecter les effets d’interaction au sein des séquences génomiques virales. En particulier, nous appliquerons des réseaux neuronaux artificiels à des ensembles de données du génome entier échantillonnés dans le temps afin d’apprendre à analyser les interactions géniques réciproques. Deuxièmement, les approches par réseaux neuronaux peuvent être formées à partir de la grande quantité de séquences disponibles dans diverses régions géographiques afin de prédire les éventuelles mutations ponctuelles qui apparaissent sur les séquences d’ARN en fonction des autres nucléotides de la séquence. Ces approches peuvent révéler des interactions à mi-chemin dans le génome viral et des mutations qui surviennent sur des protéines précises en relation avec la réponse au traitement et la gravité de la maladie.

Projet 2 : Dynamique de la réponse immunitaire chez les jeunes patients atteints de COVID-19

Description : Pourquoi les enfants et les jeunes adultes présentent-ils rarement des symptômes graves de l’infection par le SRAS-CoV-2 ? Qu’est-ce qui fait que certains jeunes patients présentent des symptômes graves ? Le CHU Sainte-Justine, le plus grand centre mère-enfant du Canada, recueillera des échantillons et des données cliniques sur les jeunes patients qui sont admis à l’unité de soins intensifs en raison de la COVID-19 afin de découvrir les caractéristiques moléculaires et cliniques de ces rares réponses immunitaires. Nous générerons, regrouperons et vérifierons des données multiomiques, y compris des génomes de patients, des génomes de virus et des transcriptomes sanguins à molécule unique avec des données cliniques complètes afin de déterminer les caractéristiques communes des cas pédiatriques graves de COVID-19. Ces caractéristiques guideront ensuite la conception d’études fonctionnelles visant à décortiquer la dynamique de la réponse immunitaire à l’infection par le SRAS-CoV-2, dans la perspective de découvrir des biomarqueurs pronostiques.

L’apprentissage automatique pour la découverte de traitements

L’apprentissage par renforcement profond pour la découverte de nouveaux antiviraux de la COVID-19

Personnes-ressources : Yoshua Bengio (Mila ; Université de Montréal), Jian Tang (HEC Montréal)
Description : Les équipes de Yoshua Bengio (Université de Montréal), de Jian Tang (HEC Montréal) et de l’étudiant diplômé Maksym Korablyov (Université de Montréal) ont mis au point un système d’apprentissage par renforcement profond, LambdaZero, qui permet d’évaluer rapidement des milliards de molécules candidates. Cette approche permet de modifier progressivement la structure moléculaire en ajoutant ou en supprimant des éléments constitutifs afin de découvrir de nouvelles structures moléculaires capables de se lier à une protéine cible. L’équipe de Mila est à la recherche de collaborateurs ayant une expertise dans l’apprentissage par renforcement profond et dans la découverte de médicaments pour l’aider dans ses recherches.

Visiter la page web du projet

Apprentissage profond efficace en matière de données pour mieux modéliser la réaction immunitaire

Personnes-ressources : Yoshua Bengio (Mila ; Université de Montréal), Sébastien Giguère (InVivo AI), Julie Hussin (MHI ; Université de Montréal), Natasha Dudek (Mila ; Université McGill), Matthew Scicluna (Mila ; Université de Montréal)

Description : En s’appuyant sur la recherche en apprentissage automatique menée par le Mila et en collaborant avec des chercheurs en bio-informatique, en immunologie et en conception de vaccins, InVivo AI met en place une plateforme à code source libre qui exploite les dernières technologies d’IA dans le but de modéliser les voies du système immunitaire afin de mieux prédire la réaction immunitaire. L’équipe travaille sur la modélisation du clivage protéasomal, le transporteur associé à la présentation d’antigènes (TAP, « transporter associated with antigen processing »), la liaison du complexe majeur d’histocompatibilité (CMH) aux antigènes, les cellules présentatrices de l’antigène et la reconnaissance des complexes CMH-antigène par les lymphocytes T et B, dans le but d’identifier les régions immunogènes des virus.
Plus précisément, nous travaillons sur des approches de l’IA qui peuvent contribuer au processus de conception des vaccins de la manière suivante :

  1. Prédiction de la liaison du CMH aux antigènes : Les complexes majeurs d’histocompatibilité (CMH) sont des protéines responsables de la sauvegarde des cellules et de la détection de matériaux intrusifs, comme les protéines virales. Chaque personne possède un répertoire large et distinct de molécules CMH, chacune étant capable de reconnaître des antigènes particuliers. Prédire quelle partie de la protéine virale (les antigènes) peut être reconnue par quel CMH peut être formulé comme un problème d’apprentissage supervisé où l’entrée est composée de la séquence d’un CMH (par exemple, « MEPSLLSLFVLGVLT… ») et d’un antigène (par exemple, « TAVVAGAVIL »), tandis que la sortie correspond à l’affinité entre cette paire antigène-CMH.
  2. Traitement des antigènes : Un autre exemple serait de prédire laquelle de ces paires positives sera traitée à la surface de la cellule. Les membres de notre équipe ont déjà publié des articles sur ces deux problèmes. L’outil qui en résulte a acquis une reconnaissance internationale pour sa précision ; il est hébergé sur la principale base de données en immunologie (http://tools.iedb.org/mhcnp/).

L’équipe travaille à la modélisation de la voie complète de traitement des antigènes : modélisation du clivage protéasomal, le transporteur associé à la présentation d’antigènes (TAP, « transporter associated with antigen processing »), la liaison du complexe majeur d’histocompatibilité (CMH) aux antigènes, les cellules présentatrices de l’antigène et la reconnaissance des complexes CMH-antigène par les lymphocytes T et B. Son but consiste à identifier les régions immunogènes des virus. Nous sommes à la recherche de collaborateurs dans toutes les disciplines pour nous aider à concevoir de meilleurs vaccins. Communiquez avec nous sur le canal Slack de #ai-for-vaccines ou envoyez un message à Sébastien Giguère (sebastien@invivoai.com).

Répertorier le paysage de l’IA et de la COVID-19

Personne-ressource : Sasha Luccioni (Mila ; Université de Montréal)

Description : Sasha Luccioni (chercheure post-doctorale à Mila) et son équipe collaborent avec des chercheurs de l’initiative UN Global Pulse pour recenser le corpus de recherche actuel et proposé sur l’utilisation de l’IA pour contrer la pandémie de COVID-19. L’article, publié le 25 mars, aborde les nombreuses facettes de la crise, y compris la modélisation moléculaire, l’épidémiologie et le diagnostic afin de déterminer les moyens les plus efficaces d’utiliser l’IA, ainsi que les approches qui sont explorées.

Lire l'article

Analyser la sphère d’information en ligne concernant la COVID-19

Personne-ressource : Reihaneh Rabbany (Mila ; Université McGill)
Description : Ce projet vise à étudier les renseignements mis en ligne concernant cette pandémie mondiale en examinant les mentions de la COVID-19 sur Twitter. L’objectif consiste à découvrir les tendances temporelles et spatiales (pour prendre le pouls et servir également de données de substitution), à résumer le contenu (pour améliorer la compréhension de la situation par les utilisateurs) et à détecter les groupes potentiellement polluants (pour aider à lutter contre l’infodémie corrélée). Ceci est important étant donné que les modèles actuels d’aplatissement de la courbe supposent un certain degré d’adhésion de la part du public, qui est influencé par les renseignements qu’il reçoit. L’ampleur de cette infodémie a submergé les modérateurs de contenu de ces plateformes (qui doivent également travailler à partir de leur domicile), ce qui fait ressortir le besoin de solutions d’IA.

Collecte de données d’images relatives à la COVID-19

Personne-ressource : Joseph Paul Cohen (Mila ; Université de Montréal)
Description : Dans le contexte d’une pandémie de COVID-19, il est indispensable de rationaliser les diagnostics. Les données représentent la première étape de la mise au point de tout outil de diagnostic ou de traitement. Bien qu’il existe de vastes ensembles de données publiques sur les radiographies thoraciques plus typiques, on ne dispose d’aucune collection de radiographies thoraciques relatives à la COVID-19 ou de tomodensitogrammes conçus pour être utilisés à des fins d’analyse informatique. Notre équipe estime que cette base de données ouverte peut améliorer considérablement l’identification de la COVID-19. Cela permettrait notamment d’obtenir des données essentielles pour former et tester un système fondé sur l’apprentissage profond comme Chester, en utilisant probablement une forme d’apprentissage par transfert. Ces outils pourraient être mis au point pour cerner les caractéristiques de la COVID-19 par rapport à d’autres types de pneumonie ou pour prédire la survie. La base de données se trouve ici et un document contenant plus de renseignements sur le projet se trouve ici. Nous accueillons avec plaisir les contributions à l’ensemble de données ainsi que les contributeurs.

PanXcea : Prédictions grâce à une analyse externe de la COVID-19 basée sur des radiographies

Collaborateurs : Marzyeh Ghassemi (titulaire d’une chaire en IA Canada-CIFAR, Institut Vecteur, Université de Toronto), Joseph Paul Cohen (Mila, Université de Montréal), Chris McIntosh (Université de Toronto)

Exploitation des graphes de connaissances biomédicales pour les stratégies de reconversion de médicaments pour la COVID-19

Collaborateurs : Jian Tang (titulaire d’une chaire en IA Canada-CIFAR, Mila, HEC Montréal), William L. Hamilton (titulaire d’une chaire en IA Canada-CIFAR, Mila, Université McGill), Yoshua Bengio (titulaire d’une chaire en IA Canada-CIFAR et codirecteur, programme Apprentissage automatique, apprentissage biologique du CIFAR, Mila, Université de Montréal), Guy Wolf (Mila, Université de Montréal), Yue Li (Mila, Université McGill)

Modélisation de la transmission du SRAS-CoV-2 entre sources zoonotiques à l’échelle génique

Collaborateurs : Guillaume Rabusseau (titulaire d’une chaire en IA Canada-CIFAR, Mila, Université de Montréal), Vladimir Makarenkov (Université du Québec à Montréal), Bogdan Mazoure (Mila, Université McGill)

L’apprentissage automatique contre la COVID-19 : Accélérer la découverte de médicaments à petites molécules

 Collaborateurs : Sarath Chandar (titulaire d’une chaire en IA Canada-CIFAR, Mila, Polytechnique Montréal), Matthew Taylor (Amii, Université de l’Alberta), Sai Krishna (99andBeyond), Karam Thomas (99andBeyond)

La planification en tant qu’inférence dans les modèles de dynamique épidémiologique

Collaborateurs : Frank Wood (titulaire d’une chaire en IA Canada-CIFAR, Mila, Université de la Colombie-Britannique), Benjamin Bloem-Reddy, Alexandre Bouchard, Trevor Campbell (Université de la Colombie-Britannique)

Chloé : un chatbot Q&R pour la COVID

Collaborateurs :

  • Amazon Web Services – services informatiques hébergés
  • Dataperformers – regroupement des données
  • Dialogue – adaptation du chatbot Chloe pour la COVID-19
  • Google – la traduction des données, l’augmentation et la correspondance sémantique
  • John Hopkins University – collection de tweets COVID-19
  • Mila – Institut Québécois d’intelligence artificielle 
  • Nu Echo – automatisation conversationnelle intelligente
  • Samasource – annotations des données
  • Scale AI – partenaire financier du projet

Mila a fait équipe avec Dialogue et plusieurs autres partenaires pour créer Chloé, un système de questions-réponses basé sur l’IA. L’objectif est de contribuer à réduire le volume d’appels élevé vers les lignes d’assistance du ministère de la santé et des services sociaux du Québec.

Cliquez ici pour en savoir plus ou ici pour clavarder avec Chloé.

array(1) { ["wp-wpml_current_language"]=> string(2) "fr" }