Comment l’intelligence artificielle s’attaque au Covid-19

Spread the love
Comment l'intelligence artificielle s'attaque au Covid-19

Alors que le coronavirus continue de se propager dans le monde entier, les entreprises et les chercheurs cherchent à utiliser l’intelligence artificielle pour relever les défis posés par celui-ci. Voici quelques exemples de projets utilisant l’IA pour lutter contre la pandémie.

publicité

Trouver des médicaments qui ciblent le virus

Un certain nombre de projets de recherche utilisent l’IA pour identifier des médicaments qui ont été développés pour lutter contre d’autres maladies mais qui pourraient maintenant être réutilisés dans le cadre de la lutte contre le Covid-19. En étudiant la configuration moléculaire des médicaments existants avec l’IA, les entreprises veulent identifier ceux qui pourraient perturber le développement du coronavirus.

BenevolentAI, une société de recherche en médicaments basée à Londres, a commencé à s’intéresser au problème posé par le coronavirus fin janvier. Le graphique de connaissances de la société, alimenté par l’IA, permet de digérer de grands volumes de littérature scientifique et de recherche biomédicale pour trouver des liens entre les propriétés génétiques et biologiques des maladies et la composition et l’action des médicaments.

La société s’était auparavant concentrée sur les maladies chroniques plutôt que sur les infections, mais elle a pu réoutiller le système pour qu’il fonctionne avec le Covid-19 en l’alimentant des dernières recherches sur le virus. « En raison de la quantité de données produites sur le Covid-19 et de notre capacité à lire par machine de grandes quantités de documents à l’échelle, nous avons pu adapter [le graphique des connaissances] afin de prendre en compte les types de concepts qui sont plus importants en biologie, ainsi que les dernières informations sur le Covid-19 lui-même », explique Olly Oechsle, ingénieur logiciel en chef chez BenevolentAI.

Au contraire d’une grande partie de la recherche biomédicale qui s’est développée autour des maladies chroniques au cours des décennies, celle concernant le Covid-19 n’a que quelques mois. Mais les chercheurs peuvent utiliser les informations dont ils disposent pour traquer d’autres virus présentant des éléments similaires, voir comment ils fonctionnent, puis déterminer quels médicaments pourraient être utilisés pour inhiber le virus.

« Le processus d’infection du Covid-19 a été identifié relativement tôt. On a découvert que le virus se liait à une protéine particulière à la surface des cellules, appelée ACE2. Et ce que nous pourrions faire avec notre graphique de connaissances est d’examiner les processus entourant cette ingestion du virus et sa réplication, plutôt que tout ce qui est spécifique au Covid-19 lui-même. Cela nous permet d’examiner beaucoup plus en arrière la littérature qui concerne les différents coronavirus, y compris le SRAS, etc. et tous les types de biologie qui se déroulent dans ce processus d’ingestion de virus dans les cellules », explique ainsi Olly Oechsle.

Le système a suggéré un certain nombre de composés qui pourraient potentiellement avoir un effet sur le Covid-19, y compris, et c’est le plus prometteur, un médicament appelé Baricitinib. Ce médicament est déjà autorisé pour traiter la polyarthrite rhumatoïde. Comme le Baricitinib travaille à amortir les processus inflammatoires qui peuvent causer les symptômes de la polyarthrite rhumatoïde, il peut jouer un rôle similaire contre le Covid-19, qui peut provoquer une réaction inflammatoire aiguë et envoyer les patients en soins intensifs.

Eclaircir la structure du coronavirus

DeepMind, la branche IA de la société mère de Google, Alphabet, utilise les données sur les génomes pour prédire la structure des protéines des organismes, ce qui pourrait permettre de déterminer quels médicaments pourraient agir contre le Covid-19.

DeepMind a publié une bibliothèque de deep learning appelée AlphaFold, qui utilise les réseaux de neurones pour prédire comment les protéines qui composent un organisme se courbent ou se froissent en fonction de leur génome. Les structures des protéines déterminent la forme des récepteurs dans les cellules d’un organisme. Une fois que l’on connaît la forme du récepteur, il devient possible de déterminer quels médicaments pourraient s’y fixer et perturber les processus vitaux au sein des cellules : dans le cas du Covid-19, en perturbant la façon dont il se fixe aux cellules humaines ou en ralentissant la vitesse à laquelle il se reproduit, par exemple.

Après avoir formé AlphaFold sur de grands ensembles de données génomiques, qui démontrent les liens entre le génome d’un organisme et la façon dont ses protéines sont façonnées, DeepMind a mis AlphaFold au travail sur le génome du Covid-19. « Nous soulignons que ces prédictions de structure n’ont pas été vérifiées expérimentalement, mais nous espérons qu’elles pourront contribuer à l’interrogation de la communauté scientifique sur le fonctionnement du virus, et servir de plateforme de génération d’hypothèses pour de futurs travaux expérimentaux dans le développement de thérapies », précise DeepMind. Ou, pour le dire autrement, DeepMind n’a pas testé les prévisions d’AlphaFold en dehors d’un ordinateur, mais il diffuse les résultats au cas où les chercheurs pourraient les utiliser pour développer des traitements contre le Covid-19.

Détecter l’apparition et la propagation de nouvelles maladies

On pense que les systèmes d’intelligence artificielle ont été parmi les premiers à détecter que l’épidémie de coronavirus, à l’époque où elle était encore localisée dans la ville chinoise de Wuhan, pourrait devenir une véritable pandémie mondiale. HealthMap, un système de surveillance de l’influenza aviaire affilié à l’hôpital pour enfants de Boston, a ainsi détecté le nombre croissant de cas de pneumonie inexpliqués peu avant les chercheurs, bien qu’il n’ait classé la gravité de l’épidémie que dans la catégorie “moyenne”.

« Nous avons identifié les premiers signes de l’épidémie en exploitant la langue chinoise et les médias locaux – WeChat, Weibo – pour souligner le fait que ces outils pouvaient servir à découvrir ce qui se passe dans une population », a déclaré John Brownstein, professeur à la Harvard Medical School et directeur de l’innovation à l’hôpital pour enfants de Boston, lors de la conférence virtuelle sur le Covid-19 et l’IA du Stanford Institute for Human-Centered Artificial Intelligence.

Les épidémiologistes humains de ProMed, un groupe de notification des maladies infectieuses, ont publié leur propre alerte juste une demi-heure après HealthMap, et John Brownstein a également reconnu l’importance des virologistes humains dans l’étude de la propagation de l’épidémie. « Ce que nous avons rapidement réalisé, c’est qu’autant il est facile de parcourir le web pour créer une liste de cas vraiment détaillée dans le monde entier, mais quand il faut une réelle armée de personnes, cela ne peut pas se faire uniquement par apprentissage automatique et grattage du web », explique-t-il. HealthMap s’est également appuyé sur l’expertise de chercheurs d’universités du monde entier, utilisant des « sources officielles et non officielles » pour alimenter la liste des cas.

Les données générées par HealthMap ont été rendues publiques pour être passées au peigne fin par les scientifiques et les chercheurs à la recherche de liens entre la maladie, certaines populations et les mesures de confinement. Les données ont déjà été combinées avec des données sur les mouvements humains, glanées à Baidu, pour voir comment la mobilité des populations et les mesures de contrôle ont affecté la propagation du virus en Chine. HealthMap a continué à suivre la propagation du coronavirus tout au long de l’épidémie, en visualisant sa propagation à travers le monde par temps et par lieu.

Améliorer l’imagerie médicale

La start-up canadienne DarwinAI a développé un réseau neuronal qui permet de détecter les signes d’infection par le Covid-19 sur les rayons X. Si l’utilisation de prélèvements sur les patients est la méthode par défaut pour le dépistage du coronavirus, l’analyse des radiographies pulmonaires pourrait offrir une alternative aux hôpitaux qui n’ont pas assez de personnel ou de kits de dépistage pour traiter tous les patients rapidement.

DarwinAI a lancé COVID-Net en tant que système open source, et « la réponse a été tout simplement écrasante », raconte ainsi Sheldon Fernandez, le PDG de DarwinAI. D’autres ensembles de données de rayons X ont été fournis pour former le système, qui a maintenant appris à partir de plus de 17 000 images, tandis que des chercheurs d’Indonésie, de Turquie, d’Inde et d’autres pays travaillent maintenant tous sur le Covid-19. « Une fois que vous l’avez mis sur le marché, vous avez très vite 100 yeux sur lui, et vous recevez très rapidement des pistes pour l’améliorer », explique Sheldon Fernandez.

L’entreprise travaille actuellement à faire passer COVID-Net d’une mise en œuvre technique à un système pouvant être utilisé par le personnel de santé. Elle développe également un réseau neuronal pour les patients à risque qui ont contracté le Covid-19, afin de séparer ceux qui sont porteurs du virus et qui feraient mieux de se rétablir chez eux en isolement, de ceux qui nécessitent d’aller à l’hôpital.

Suivre les effets du virus et de l’isolement sur la santé mentale

Johannes Eichstaedt, professeur assistant au département de psychologie de l’université de Stanford, a examiné les messages Twitter pour estimer comment le Covid-19, et les changements qu’il a apportés à notre façon de vivre, affecte notre santé mentale. En utilisant une analyse de texte basée sur l’IA, Johannes Eichstaedt a interrogé plus de deux millions de tweets comportant des termes liés au coronavirus en février et mars, et les a combinés avec d’autres ensembles de données sur des facteurs pertinents, notamment le nombre de cas de décès, la démographie et plus encore, pour mettre en lumière les effets du virus sur la santé mentale.

L’analyse a montré qu’une grande partie des messages liés au Covid-19 dans les zones urbaines était centrée sur l’adaptation à la vie avec l’infection et la prévention de sa propagation. Les zones rurales ont beaucoup moins discuté de ce sujet. Le psychologue a déduit que ce comportement était lié à la prévalence relative de la maladie dans les zones urbaines par rapport aux zones rurales, ce qui signifie que les habitants du pays ont été moins exposés à la maladie et à ses conséquences.

« Nous devons vraiment mesurer l’impact du Covid-19 sur le bien-être, et nous devons très rapidement réfléchir à des soins de santé mentale évolutifs. Il est temps de mobiliser des ressources pour y parvenir », alerte Johannes Eichstaedt lors de la conférence virtuelle de Stanford.

Prévoir la propagation de la maladie en ville

Kaggle, la communauté de machine learning appartenant à Google, lance à ses membres un certain nombre de défis liés au Covid-19, notamment la prévision du nombre de cas et de décès par ville afin de déterminer exactement pourquoi certains endroits sont plus touchés que d’autres.

« Le but ici n’est pas de construire un autre modèle épidémiologique… il existe beaucoup de bons modèles épidémiologiques. En fait, la raison pour laquelle nous avons lancé ce défi est d’encourager notre communauté à jouer avec les données et à essayer de distinguer les facteurs qui sont à l’origine des différences de taux de transmission entre les villes », explique le PDG de Kaggle, Anthony Goldbloom, lors de la conférence de Stanford.

Actuellement, la communauté travaille sur un ensemble de données sur les infections dans 163 pays à partir de deux mois de cette année pour développer des modèles et interroger les données sur les facteurs qui prédisent la propagation.

La plupart des modèles de la communauté ont produit des graphiques d’importance pour montrer les éléments qui peuvent contribuer aux différences entre les cas et les décès. Jusqu’à présent, précise Anthony Goldbloom, la latitude et la longitude apparaissent comme ayant une incidence sur la propagation du Covid-19. La prochaine génération de diagrammes d’importance des caractéristiques pilotés par l’apprentissage machine permettra de découvrir les véritables raisons des variations géographiques.

« Ce n’est pas le pays qui explique les différences de taux de transmission entre les pays, mais plutôt les politiques de ce pays, ou les normes culturelles concernant les câlins et les baisers, ou encore la température. Nous nous attendons à ce qu’à mesure que les gens itéreront sur leurs modèles, ils apporteront des ensembles de données plus granulaires et nous commencerons à voir ces graphiques d’importance variable devenir beaucoup plus intéressants et à distinguer les facteurs les plus importants qui expliquent les différences de taux de transmission entre les différentes villes. C’est un phénomène à surveiller », ajoute Anthony Goldbloom.

Source : ZDNet.com

Leave a Reply