Depuis le début de la pandémie de Covid-19, de nouveaux variants du virus SARS-CoV-2 ont émergé et se sont propagés au sein de la population humaine, certains devenant un problème majeur de santé mondiale. Chacun d'entre eux, y compris les variants Delta et Omicron, présente un schéma caractéristique de mutations génétiques, susceptibles de renforcer la transmissibilité du virus ou de réduire l'efficacité des vaccins ou des traitements avec des anticorps. Anticiper les mutations encore inconnues qui pourraient apparaître dans les futurs variants du SARS-CoV-2 est devenu un enjeu majeur.
À cet égard, une équipe de recherche du Laboratoire de biologie computationnelle et quantiative (Sorbonne Université / CNRS), dirigée par Martin Weigt, professeur à Sorbonne Université, en collaboration avec l'Université de Lausanne, a proposé une nouvelle approche informatique dont l’objectif est de prédire la mutabilité de toutes les positions individuelles dans les protéines du SARS-CoV-2. Cette méthode consiste à utiliser un seul génome de ce virus, en combinaison avec des séquences génomiques d'autres coronavirus préexistants. Les prédictions obtenues sont cohérentes avec la variabilité actuellement observable des protéines du SARS-CoV-2, qui a évolué au cours des deux dernières années, suggérant que ce modèle est capable de prévoir statistiquement l'apparition de variants inédits.
À cet égard, une équipe de recherche du Laboratoire de biologie computationnelle et quantiative (Sorbonne Université / CNRS), dirigée par Martin Weigt, professeur à Sorbonne Université, en collaboration avec l'Université de Lausanne, a proposé une nouvelle approche informatique dont l’objectif est de prédire la mutabilité de toutes les positions individuelles dans les protéines du SARS-CoV-2. Cette méthode consiste à utiliser un seul génome de ce virus, en combinaison avec des séquences génomiques d'autres coronavirus préexistants. Les prédictions obtenues sont cohérentes avec la variabilité actuellement observable des protéines du SARS-CoV-2, qui a évolué au cours des deux dernières années, suggérant que ce modèle est capable de prévoir statistiquement l'apparition de variants inédits.
En combinant leurs prédictions avec des données immunologiques, les chercheurs ont observé qu'Omicron et d'autres variants sont enrichis en mutations dans des positions dangereuses dans le domaine de liaison au récepteur (receptor binding domain) de la protéine Spike. Celle-ci joue un rôle central dans la liaison, la fusion et l'entrée du virus dans les cellules hôtes humaines, et est la cible principale des thérapies par anticorps et du développement de vaccins. Cette observation peut contribuer à orienter la conception de nouveaux vaccins ou de thérapies par anticorps qui combattront les futurs variants du SARS-CoV-2 en ciblant des positions moins mutables mais immunogènes.
Si l'article se concentre sur le SARS-CoV-2, les résultats peuvent également être considérés comme preuve de concept de l'applicabilité à de potentielles futures épidémies causées par de nouveaux pathogènes viraux. Les prédictions étant réalisées à partir d'un seul génome de l'agent pathogène et de données préexistantes provenant de bases de données génomiques publiques, elles peuvent être disponibles à un stade très précoce d'une éventuelle épidémie, avant que de grandes quantités de données observationnelles ou expérimentales ne soient disponibles. Ainsi, les méthodes proposées aident à prévoir la variabilité future et à focaliser notre attention sur les régions les plus à risques.
Référence :
Epistatic models predict mutable sites in SARS-CoV-2 proteins and epitopes, Juan Rodriguez-Rivas, Giancarlo Croce, Maureen Muscat and Martin Weigt, PNAS, January 2022
DOI : 10.1073/pnas.2113118119
(1) Laboratoire biologie computationnelle et quantitative (LCQB)
(2) Ces travaux ont été financés par la faculté des Sciences et Ingénierie de Sorbonne Université, dans le cadre de l’appel à propositions Covid-19, lancé conjointement avec la faculté de Médecine.
Si l'article se concentre sur le SARS-CoV-2, les résultats peuvent également être considérés comme preuve de concept de l'applicabilité à de potentielles futures épidémies causées par de nouveaux pathogènes viraux. Les prédictions étant réalisées à partir d'un seul génome de l'agent pathogène et de données préexistantes provenant de bases de données génomiques publiques, elles peuvent être disponibles à un stade très précoce d'une éventuelle épidémie, avant que de grandes quantités de données observationnelles ou expérimentales ne soient disponibles. Ainsi, les méthodes proposées aident à prévoir la variabilité future et à focaliser notre attention sur les régions les plus à risques.
Référence :
Epistatic models predict mutable sites in SARS-CoV-2 proteins and epitopes, Juan Rodriguez-Rivas, Giancarlo Croce, Maureen Muscat and Martin Weigt, PNAS, January 2022
DOI : 10.1073/pnas.2113118119
(1) Laboratoire biologie computationnelle et quantitative (LCQB)
(2) Ces travaux ont été financés par la faculté des Sciences et Ingénierie de Sorbonne Université, dans le cadre de l’appel à propositions Covid-19, lancé conjointement avec la faculté de Médecine.
Envoyer à un ami
Version imprimable
Partager