Une étude collaborative à grande échelle menée par le groupe de travail dédié à la recherche génomique révèle des caractéristiques multimodales de la COVID-19

Au printemps dernier, Guy Wolf, membre du corps professoral de Mila et professeur adjoint à l’Université de Montréal – ainsi que Smita Krishnaswamy (Yale), Julie Hussin (ICM & UdeM), Martin Smith (CHUSJ & UdeM), Morgan Craig (CHUSJ & UdeM) et d’autres chercheurs et chercheuses de premier plan – ont lancé le groupe de travail «génomique» pour aider à trouver des solutions potentielles à la pandémie actuelle. Leurs dernières découvertes révèlent des modèles pertinents pouvant former des caractéristiques spécifiques de la maladie de la COVID-19, ainsi que prévoir l’évolution de la santé pour les patients.

Alors que le déluge de données s’accélère en biologie et en médecine, il devient tout aussi urgent de mettre au point des méthodes permettant de visualiser et d’analyser ces données à résolutions multiples. C’est pourquoi le groupe de travail s’est penché sur la collecte de données médicales, combinée à une analyse statistique par apprentissage automatique afin de parvenir à une meilleure compréhension de l’évolution de la COVID-19.

« L’un de nos principaux objectifs est de soutenir les efforts visant à comprendre la progression et l’évolution de la maladie COVID-19, à améliorer les procédures de diagnostic et les régimes de traitement qui nécessitent tous, ou du moins pourraient bénéficier, d’un traitement efficace et performant des grandes données, en particulier dans le domaine de la bio-informatique », a déclaré le professeur Wolf.

Ainsi, l’équipe de recherche a développé Multiscale PHATE, une nouvelle méthode de visualisation à multirésolution qui est capable d’apprendre et de visualiser des caractéristiques et groupements cellulaires. Cette méthode a été utilisée pour traiter et analyser 54 millions de cellules provenant de 168 patients hospitalisés en raison d’une infection à la COVID-19, à l’hôpital Yale New Haven au Connecticut. Ils ont observé que les granulocytes et les monocytes étaient plus enrichis chez les patients décédés à la suite d’une infection, tandis que les cellules T étaient plus enrichies chez les patients ayant survécu.

L’étude est en cours d’évaluation par les pairs aux fins de publication dans Cell et disponible en version préliminaire sur biorxiv. Des versions courtes de l’étude ont également été présentées la semaine dernière dans les ateliers Women in Machine Learning et Learning Meaningful Representations of Life dans le cadre de la conférence annuelle sur les systèmes de traitement de l’information neuronale (NeurIPS). 

« La méthodologie PHATE dans son ensemble est très excitante. C’est l’idée de pouvoir prendre des données dans des milliers de dimensions et de les réduire à deux ou trois dimensions de manière à préserver la géométrie multiple des données, ce qui peut permettre de mieux comprendre le processus sous-jacent de la génération des données », a expliqué pour sa part la Dre Smita Krishnaswamy, fondatrice du laboratoire Krishnaswamy de l’Université de Yale, ajoutant que « chaque étape de PHATE est soigneusement réglée pour préserver la géométrie multiple et éliminer le bruit, contrairement aux autres méthodes de visualisation couramment utilisées ».

Des travaux de suivi sont actuellement menés en collaboration avec la Dre Julie Hussin pour analyser les variations génétiques inter et intra-hôtes du SARS-CoV-2. De plus, des travaux interdisciplinaires sont prévus avec des chercheurs et chercheuses du Centre hospitalier universitaire Sainte-Justine et du Centre hospitalier de l’Université de Montréal. Enfin, l’équipe s’attend à avoir accès aux données des essais cliniques qui seront traitées dès qu’elles seront disponibles.

Pour plus d’informations : 

Consultez la version préliminaire de l’étude ici.

Tous les scripts d’analyses peuvent être téléchargés avec un tutoriel guidé sur la page GitHub du laboratoire Krishnaswamy : https://github.com/KrishnaswamyLab/Multiscale_PHATE