L'intuition de la vaccination par l'IA - L'IA va-t-elle transformer la prévision de la grippe ? VaxSeer du MIT surpassera-t-il l'OMS à l'avenir ?

1. Contexte : Le jeu annuel de "prédiction à quelques pas d'avance"

Les vaccins contre la grippe saisonnière sont sélectionnés plus de six mois à l'avance. En se basant sur les séquences génétiques et les données antigéniques obtenues à partir d'échantillons du monde entier, un comité d'experts, utilisant le réseau GISRS de l'OMS, estime "quelle souche sera dominante la saison prochaine". Si la prédiction est correcte, l'efficacité du vaccin augmente considérablement, mais si elle est incorrecte, cela peut donner l'impression que le vaccin est "moins efficace". Le problème réside dans le fait que le virus de la grippe évolue constamment par petites étapes et que l'interaction avec le système immunitaire humain et l'environnement peut rapidement modifier la répartition des souches.

2. Qu'est-ce que VaxSeer : Deux moteurs de prédiction + un score

VaxSeer du MIT étend cette "prédiction" à l'aide de l'apprentissage automatique. Le cœur du système repose sur deux éléments. Premièrement, il apprend comment chaque mutation contribue à la propagation (dominance) non pas individuellement mais en "combinaison", à l'aide d'un modèle de langage protéique à grande échelle. Deuxièmement, il estime, à partir des données des tests HI (inhibition de l'hémagglutination), dans quelle mesure un candidat vaccin peut montrer un effet neutralisant contre les futures souches dominantes. Ces éléments sont superposés à la dynamique de propagation basée sur des équations différentielles ordinaires, pour finalement quantifier l'"adéquation" du vaccin aux populations virales prévues pour la saison future sous forme de "score de couverture".

3. Quelle est la précision : Revue rétrospective sur 10 ans

L'équipe de recherche a comparé les souches choisies par l'OMS avec celles prédites par VaxSeer sur une période de 10 ans. Les résultats montrent que pour A/H3N2, VaxSeer a surpassé ou égalé l'OMS dans 9 saisons sur 10, et pour A/H1N1 dans 6 saisons sur 10. Il est notable que VaxSeer avait identifié un candidat pour la saison 2016 un an à l'avance, qui a ensuite été adopté par l'OMS l'année suivante. De plus, le score de couverture de VaxSeer est en forte concordance avec les estimations d'efficacité sur le terrain publiées par le CDC, le SPSN canadien et l'I-MOVE européen. Bien que cela soit une "vérification rétrospective", et ne démontre pas directement l'effet causal (véritable efficacité) lorsqu'il est administré comme vaccin cette année-là, de telles prédictions auxiliaires sont précieuses pour les environnements où la charge médicale augmente lors des "années de mauvaise prédiction".

4. Le cœur du mécanisme : L'intersection de l'évolution et du langage

Ce qui rend VaxSeer unique, c'est sa capacité à considérer les effets des mutations dans la séquence non pas comme des événements isolés mais comme des "interactions (épistasie)". L'évolution des virus dans le monde réel ne peut pas être expliquée par une simple addition de mutations individuelles. Une mutation peut ne devenir dominante que lorsqu'elle est combinée avec une autre. Le modèle de langage apprend la structure probabiliste de ces "combinaisons" à partir d'un vaste ensemble de séquences passées. En superposant un modèle mathématique qui représente la compétition entre lignées, il évalue la supériorité relative de chaque lignée pour devenir la "prochaine dominante". Sur le plan antigénique, il utilise les valeurs expérimentales des tests HI comme données d'apprentissage pour estimer la "distance" entre les souches candidates et les souches prévues, et évaluer dans quelle mesure un vaccin peut induire une réponse neutralisante.

5. Réactions sur les réseaux sociaux : Attentes, prudence et réalité opérationnelle

Juste après l'annonce, la communauté des chercheurs et les comptes liés à la santé ont réagi en masse sur les réseaux sociaux. Le compte officiel de MIT CSAIL sur X a présenté le système comme "apprenant à partir de décennies de données pour identifier des candidats plus protecteurs", recevant de nombreuses réponses positives. Wenxian Shi, le premier auteur, a également annoncé la publication de l'article, recevant des félicitations de la communauté académique. D'un autre côté, des comptes suivant l'IA médicale ont soulevé la question "L'IA peut-elle surpasser le jugement des experts de l'OMS ?", soulignant le fait que les mesures d'évaluation sont des "mesures de substitution" et le manque de vérification dans des essais cliniques prospectifs. Globalement, l'opinion dominante est que cela ne remplace pas mais "complète" et "offre une troisième opinion", augmentant la transparence dans la prise de décision. Du côté clinique et de la santé publique, des voix s'élèvent pour demander une conception d'application réaliste face à des contraintes telles que "le temps de production", "les mutations dues à la culture sur œuf", "la chaîne d'approvisionnement" et "les données régionales".

6. Impact sur le terrain : Comment l'utiliser efficacement

À court terme, il est envisageable d'utiliser le score de VaxSeer comme "deuxième opinion" avant les réunions de l'OMS ou la sélection par les autorités nationales, pour détecter tôt les années à risque de mauvaise prédiction. Si des signes de mauvaise prédiction apparaissent, il est possible d'examiner à l'avance des options politiques et opérationnelles telles que la flexibilisation des plans d'approvisionnement, l'ajustement des proportions de méthodes de fabrication alternatives (cellulaire, recombinante) et le renforcement des messages pour les groupes à haut risque. À moyen terme, il sera crucial d'étendre le modèle pour intégrer des facteurs autres que l'antigénicité, tels que l'immunité antérieure, la dose administrée, les adjuvants et la mobilité des clusters régionaux, afin d'estimer une "protection effective" intégrée.

7. Limites et défis : L'IA n'est pas omnipotente

Premièrement, l'évaluation est principalement rétrospective. La véritable question est de savoir dans quelle mesure elle contribue à la réduction des infections, des hospitalisations et des décès lorsqu'elle est intégrée dans la prise de décision politique dans un environnement prospectif. Deuxièmement, les biais dans les données d'apprentissage - disparités régionales, d'âge et de collecte d'échantillons - peuvent fausser la généralisation des prédictions. Troisièmement, les contraintes du processus de fabrication (mutations d'adaptation dues à la culture sur œuf, retards de montée en échelle) peuvent compromettre l'adéquation entre la souche choisie et le produit final. Quatrièmement, la prise de décision ne repose pas uniquement sur la science, mais aussi sur la transparence, la responsabilité et l'acceptation sociale. Il est essentiel de divulguer les hypothèses, les incertitudes et la sensibilité du modèle, et de les aligner de manière cohérente avec le jugement des experts dans un cadre de gouvernance.

8. Pourquoi continuer à avancer

La grippe est un "ennemi sans fin". C'est pourquoi il est significatif de tenter de réduire ne serait-ce que de 1% la probabilité de mauvaise prédiction grâce aux données et aux modèles. VaxSeer connecte la science de l'évolution et la puissance des modèles de langage, rapprochant le processus de sélection, autrefois basé sur l'intuition humaine et des indicateurs dispersés, d'un processus quantitatif et reproductible. Combiner de manière complémentaire le réseau d'experts aguerris de l'OMS avec la capacité de prédiction de l'IA pourrait être la solution pragmatique pour alléger la prochaine saison.

Powered by Froala Editor