Ce que Guckelsberger et ses collègues ont développé au cours de cette année est un moyen de classer automatiquement les images de microscopie numérique des interactions entre les anticorps et les antigènes viraux dans les cellules cultivées en laboratoire. Un ordinateur apprend essentiellement à détecter si le patient possède des anticorps anti-coronavirus.
Au-delà du diagnostic, la méthode donne également aux chercheurs un aperçu des caractéristiques des cellules qui indiquent un résultat positif, du type de réponses anticorps présentes et leur permet de faire des prédictions sur la probabilité d’un échantillon positif aux anticorps COVID-19 à partir de l’image seule.
Les mêmes échantillons d’images classés par ordinateur ont également été présentés à des virologues experts, qui les ont évalués comme positifs ou négatifs pour les anticorps contre le coronavirus. « Notre approche peut correspondre au niveau de classification des experts humains », explique Guckelsberger, « et elle est beaucoup plus rapide. De plus, il peut nous indiquer s’il existe des résultats ambigus qui devraient être examinés de plus près par un œil expert.
Les résultats du projet, récemment publiés dans Méthodes des rapports de cellule, montrent également que la méthode est comparable, et à certains égards supérieure, aux tests largement utilisés comme ELISA.
"Nous avons utilisé des cellules, plutôt que des protéines virales purifiées, comme base de notre test, qui est plus proche de la physiologie réelle", explique l'auteur principal. Vilja Pietiäinen de l'Institut de médecine moléculaire de Finlande (FIMM) de l'Université d'Helsinki.
« Comme tout est entièrement automatisé, nous avons un débit élevé, mais nous obtenons également des images numériques qui peuvent être montrées à un virologue ou à un pathologiste, sans qu'ils aient besoin de passer au microscope. Les résultats peuvent même être vérifiés sur un appareil mobile. Et nous pouvons compter le nombre de cellules infectées, nous disposons donc de données quantitatives ainsi que visuelles.
Au début de la pandémie, l’équipe de recherche a pu se constituer rapidement grâce à des collaborations internationales et locales antérieures sur la virologie, l’imagerie et les études sur la réponse aux médicaments, explique Pietiäinen.
« À ce stade, nous avions besoin d’un test à haut débit pour tester les anticorps qui indiquerait si une personne avait une infection par le SRAS-CoV-2. Depuis lors, de nombreuses améliorations ont été apportées au diagnostic, à la détection et à la réponse des anticorps du SRAS-CoV-2 », comme le test de réaction en chaîne par polymérase (PCR) largement connu ou le test d'antigène (tel que le prélèvement nasal) qui directement mesure la présence du virus dans l’organisme.
Le test développé par Pietiäinen, Guckelsberger et leurs collègues, en revanche, mesure les anticorps, ce qui nous indique comment le système immunitaire reconnaît le virus et produit différents types d'anticorps contre lui.
Analyse basée sur l'apprentissage automatique, flux de travail automatisé. Crédit image : Minttu Polso/Université Aalto
"Lorsque vous ne disposez que de quelques échantillons, que vous savez très peu de choses sur une maladie ou que vous n'avez pas accès à un laboratoire de haut niveau en matière de biosécurité, notre pipeline peut être très précieux", explique Guckelsberger, ajoutant qu'il peut être utilisé n'importe où, quel que soit l'endroit. équipement de préparation des échantillons ou type de microscope. En fait, le pipeline est polyvalent pour tester n’importe quel germe.
"Nous avons conçu le test pour qu'il soit utilisé contre tout agent pathogène émergent, augmentant ainsi notre préparation aux futures pandémies", explique Pietiäinen. « Certains composants doivent être optimisés pour chaque nouveau virus, mais la beauté du test réside dans le fait qu’il peut être utilisé à des fins différentes. Il est déjà utilisé pour étudier des virus zoonotiques comme le virus Puumala.
D'autres tests cellulaires automatisés, suivis de méthodes d'analyse d'images guidées par l'IA, sont utilisés dans le groupe de recherche pour étudier les réponses médicamenteuses au SRAS-CoV-2 ainsi que pour identifier les médicaments capables de tuer les cellules cancéreuses dérivées du patient. ex vivo.
Au-delà de la publication de leurs travaux et de leur contribution à une meilleure compréhension de la pandémie, Guckelsberger et Pietiäinen partagent une vision commune que ce projet leur a enseignée.
« Lorsque de grandes questions se posent dans le monde, nous, les scientifiques, ne pouvons pas travailler seuls en vase clos. Des experts de différents domaines, de différentes universités et pays doivent se réunir autour d’un objectif commun : dans notre cas, des data scientists, des cliniciens, des informaticiens, des biochimistes », explique Pietiäinen.
"Travailler dans une grande équipe, ce qui n'est pas quelque chose que nous faisons souvent en informatique, était fascinant", fait écho Guckelsberger.
« L'un des grands défis consistait à communiquer à partir de différents points de vue d'expertise, par exemple pour donner un sens à ce qui se passait aux deux extrémités du pipeline, depuis les procédures de laboratoire humide jusqu'aux paramètres, en passant par les données et les images. En même temps, ce fut une expérience d’apprentissage fantastique, que j’aimerais vivre davantage à l’avenir.
Bien qu’ils aient utilisé un apprentissage automatique bien établi pour chaque composant du pipeline, Guckelsberger affirme que l’établissement de liens entre biologistes et informaticiens a été l’une des véritables avancées. Utiliser la technologie pour résoudre des questions biologiques était également un point important pour Pietiäinen.
« Combiner la microscopie avec l’apprentissage automatique, non seulement pour le SRAS-CoV-2, mais aussi pour observer des réponses personnalisées aux médicaments ou pour observer les phénotypes cellulaires de maladies génétiques rares, est puissant. Une image vaut mille mots, c’est aussi le cas ici.
La source: Université Aalto
