WEBVTT
Kind: captions
Language: fr

00:00:00.450 --> 00:00:02.940
Merci beaucoup pour cette opportunité.

00:00:02.940 --> 00:00:05.630
C’est un travail de collaboration au Computational
Biology Institute de l'Université George

00:00:05.630 --> 00:00:06.630
Washington.

00:00:06.630 --> 00:00:11.290
Brièvement, dans mon laboratoire, nous nous
concentrons sur les technologies à haut débit,

00:00:11.290 --> 00:00:16.620
qui nous permettent de mesurer de nombreux
paramètres “-omiques” différents.

00:00:16.620 --> 00:00:24.030
Notre objectif est de voir si nous pouvons
obtenir une meilleure image en intégrant

00:00:24.030 --> 00:00:29.430
ces différentes données “-omiques”,
y compris la génomique, la métabolomique,

00:00:29.430 --> 00:00:32.670
la protéomique et les génomes viraux.

00:00:32.670 --> 00:00:39.200
Donc en effet, l’objectif ou la proposition
NSF était de développer une plateforme computationnelle

00:00:39.200 --> 00:00:43.360
qui inclut deux ensembles - deux approches
analytiques différentes de l'investissement

00:00:43.360 --> 00:00:47.930
- d’approches analytiques et de logiciels
pour étudier les données “-omiques”

00:00:47.930 --> 00:00:49.690
liées à la COVID-19.

00:00:49.690 --> 00:00:55.510
Comme vous avez pu le constater plus tôt
dans les différentes présentations, la principale

00:00:55.510 --> 00:00:59.820
cause de cette pandémie est le virus, et
nous nous concentrons sur le génome du virus

00:00:59.820 --> 00:01:04.580
en tant que ressource pour étudier le comportement
du virus et déterminer s'il existe des protéines

00:01:04.580 --> 00:01:10.170
ou des régions spécifiques dans le génome
du virus que nous devons cibler pour le développement

00:01:10.170 --> 00:01:11.170
d'un vaccin.

00:01:11.170 --> 00:01:15.659
Notre manière d’exploiter les données
est d’utiliser les données de séquençage,

00:01:15.659 --> 00:01:20.280
nous disposons du génome du virus pour tous
les individus infectés de la pandémie.

00:01:20.280 --> 00:01:23.790
Et nous nous concentrons aussi sur les variations
du génome, dans des régions spécifiques

00:01:23.790 --> 00:01:30.380
du génome, incluant les protéines et d’autres
régions comme les protéines non structurales.

00:01:30.380 --> 00:01:37.420
Notre méthode pour le réaliser : nous obtenons
les séquences génomiques de tous les individus

00:01:37.420 --> 00:01:42.399
de notre population, nous essayons de calculer
la variation expliquée dans chacun de ces

00:01:42.399 --> 00:01:47.549
échantillons par rapport aux autres échantillons,
et nous essayons d'évaluer et de voir ce

00:01:47.549 --> 00:01:50.190
que signifient ces variations que nous observons.

00:01:50.190 --> 00:01:55.960
Je vous montre donc ici une feuille de route
sur comment nous pouvons calculer, comment

00:01:55.960 --> 00:02:00.490
nous pouvons regarder les variations du génome
dans des régions spécifiques.

00:02:00.490 --> 00:02:07.350
Sur la première ligne, ce que vous voyez
est la variation du génome, la corrélation

00:02:07.350 --> 00:02:08.879
avec d’autres régions du génome.

00:02:08.879 --> 00:02:09.879
Et nous observons quatre régions, cinq ici,
qui sont très corrélées à la variation

00:02:09.879 --> 00:02:11.810
du génome qu’elles expliquent à travers
les populations.

00:02:11.810 --> 00:02:13.790
Et deux de ces régions sont très intéressantes.

00:02:13.790 --> 00:02:17.300
L’une d’entre elles est la région de
la protéine de spicule.

00:02:17.300 --> 00:02:22.470
Le nombre que vous voyez, 32.5, veut dire
que la variation que nous observons dans le

00:02:22.470 --> 00:02:29.680
génome du virus dans la population est corrélée
entre la protéine S et le génome entier.

00:02:29.680 --> 00:02:32.660
Et aussi pour le NSP nous observons trois
régions.

00:02:32.660 --> 00:02:35.050
Donc les trois autres régions que vous observez
en jaune, ce sont des grandes régions et

00:02:35.050 --> 00:02:36.050
elles ont des sous-ensembles.

00:02:36.050 --> 00:02:40.260
C'est pourquoi nous ne nous sommes pas trop
concentrés sur ces éléments, car nous nous

00:02:40.260 --> 00:02:44.910
attendions à ce qu'il y ait une forte corrélation
entre une grande région du génome et la

00:02:44.910 --> 00:02:47.310
façon dont elle transmet l'information que
le génome entier contient.

00:02:47.310 --> 00:02:50.900
Donc nous voyons ici qu’il y a des endroits
spécifiques dans le génome du virus, comme

00:02:50.900 --> 00:02:54.750
cette protéine spiculaire, qui facilite son
entrée dans les cellules humaines.

00:02:54.750 --> 00:02:57.000
C’est très corrélé avec la protéine
non-structurale 3, et ces deux protéines

00:02:57.000 --> 00:02:58.491
sont en corrélation avec la variation de
l'ensemble du génome que nous observons dans

00:02:58.491 --> 00:02:59.491
la population.

00:02:59.491 --> 00:03:01.760
Dans le cadre de notre subvention de la NSF,
nous avons donc développé une approche appelée

00:03:01.760 --> 00:03:02.760
omeClust.

00:03:02.760 --> 00:03:05.820
Ce qu'il fait, c'est que vous lui donnez un
ensemble de points ici, les points sont les

00:03:05.820 --> 00:03:10.760
individus ou les souches du virus, et les
trois - lorsque nous l'exécutons en utilisant

00:03:10.760 --> 00:03:14.650
les informations des trois régions différentes,
premièrement, le génome entier du virus.

00:03:14.650 --> 00:03:18.510
Deuxièmement, la protéine de spicule et
troisièmement, la protéine non structurale.

00:03:18.510 --> 00:03:20.069
Nous constatons que ces trois régions nous
donnent les mêmes communautés.

00:03:20.069 --> 00:03:22.459
Et c'est le cas pour toutes les régions.

00:03:22.459 --> 00:03:26.520
Cela suggère qu'il est important de cibler
ces deux distributions et de les étudier

00:03:26.520 --> 00:03:27.520
plus avant.

00:03:27.520 --> 00:03:31.470
De plus, nous observons cette variation que
nous avons calculé à travers la population

00:03:31.470 --> 00:03:35.099
pour voir comment elle est corrélée avec
les données épidémiologiques.

00:03:35.099 --> 00:03:42.070
Nous ne disposions donc pas de beaucoup d'informations,
à l'exception du sexe et de l'âge, qui constituent

00:03:42.070 --> 00:03:46.040
un bon exemple : le génome du virus n'est
pas vraiment en corrélation avec le sexe

00:03:46.040 --> 00:03:47.310
et l'âge, comme on s'y attendrait.

00:03:47.310 --> 00:03:51.069
Le résultat pourrait être sans rapport,
mais pas le génome de la variation du génome.

00:03:51.069 --> 00:03:54.660
Dans le cadre de nos travaux, nous intégrons
donc en partie les données “-omiques”

00:03:54.660 --> 00:03:58.090
que nous mesurons chez les personnes infectées,
comme les protéines ou le métabolisme.

00:03:58.090 --> 00:04:01.721
Nous voulons voir comment ces informations,
lorsque nous les rassemblons, nous donnent

00:04:01.721 --> 00:04:08.140
des informations qui nous permettent d'émettre
des hypothèses à partir des données que

00:04:08.140 --> 00:04:09.890
nous pouvons cibler.

00:04:09.890 --> 00:04:17.269
Et, par exemple, ce que vous pouvez voir ici,
il y a une approche que nous développons

00:04:17.269 --> 00:04:18.310
appelée ‘btest’.

00:04:18.310 --> 00:04:25.530
Le principe : on vous donne les informations
sur les métabolites des patients et les protéines

00:04:25.530 --> 00:04:30.280
des patients et le corps , il nous donne ensuite
un bloc de relations, comment, quels sont

00:04:30.280 --> 00:04:34.280
les métabolites qui sont liés aux protéines
dans les individus infectés.

00:04:34.280 --> 00:04:38.960
Nous sommes aussi en train de développer
une approche d’apprentissage profond (Deep

00:04:38.960 --> 00:04:45.750
learning), qui prend en entrée le séquençage
des données et qui donne en sortie individuellement,

00:04:45.750 --> 00:04:52.410
chez la personne infectée, comment la gravité
va se manifester en fonction du génome du

00:04:52.410 --> 00:04:55.640
virus que nous recevons de la personne infectée.

00:04:55.640 --> 00:05:01.419
Ainsi, comme vous le voyez, nous développons
différentes approches, méthodes, approches

00:05:01.419 --> 00:05:05.050
d'apprentissage profond, pour étudier les
données “-omiques”.

00:05:05.050 --> 00:05:11.680
Nous nous sommes d'abord concentrés sur le
génome, le génome viral, et maintenant nous

00:05:11.680 --> 00:05:15.870
passons aux protéines métabolisées et nous
essayons d'intégrer toutes ces informations

00:05:15.870 --> 00:05:17.770
en utilisant l'approche d'apprentissage profond.

00:05:17.770 --> 00:05:22.470
Il y a donc ici plusieurs étudiants de mon
laboratoire ainsi que des cochercheurs principaux

00:05:22.470 --> 00:05:28.060
de l'Institut de biologie computationnelle
de Washington, qui collaborent à ce travail.

00:05:28.060 --> 00:05:34.280
C'est un travail d'équipe, vous pouvez donc
en savoir plus sur nos approches et sur les

00:05:34.280 --> 00:05:35.280
résultats de COVID-19.

00:05:35.280 --> 00:05:38.510
Nous les publions sur une page web du site
de mon laboratoire.

00:05:38.510 --> 00:05:43.630
Nous mettons également à votre disposition
les logiciels que nous développons et que

00:05:43.630 --> 00:05:46.490
vous pouvez utiliser pour étudier vos données.

00:05:46.490 --> 00:05:49.909
Sur ce, je vous remercie de votre attention.