Modélisation de l'immunité induite par l'infection et la vaccination contre le SRAS‑CoV2

 

Il est essentiel de bien comprendre les fondements de l'immunité induite par l'infection et la vaccination contre le SRAS‑CoV‑2 pour bien orienter les efforts d'immunisation et de rétablissement post‑pandémie.

Des experts de l'Université York et du CNRC utilisent des modèles mécanistes de l'acquisition de l'immunité combinés à l'apprentissage machine pour aider à prédire les résultats de la vaccination anti‑COVID. Leurs modèles prennent en compte l'immunité induite chez l'hôte par des programmes de vaccination à une ou à deux doses, la période écoulée entre les doses et un éventail de types de vaccins : vaccins à vecteur viral; vaccins à sous‑unité protéique; vaccins à base d'acide ribonucléique (ARN) — par exemple, vaccins à acide ribonucléique messager (ARNm).

Les modèles seront fournis aux services de santé publique comme l'Agence de la santé publique du Canada (ASPC), le Comité consultatif national de l'immunisation (CCNI), le Réseau canadien de recherche sur l'immunisation (RCRI) et les chercheurs universitaires qui s'intéressent à la conception des vaccins et à l'élaboration de politiques de vaccination. Ces modèles pourraient par la suite servir à l'élaboration d'autres types de vaccins, de vaccins efficaces contre d'autres types de virus, ou d'agents thérapeutiques.

Collaborateurs

Objectifs

  • Élargir un modèle mécaniste actuel (de base) du cycle vital du virus du SRAS‑CoV‑2 dans l'hôte en y incluant des mutations et des variants de l'agent pathogène.
  • Créer un modèle mécaniste complémentaire du système immunitaire de l'hôte afin d'élucider les interactions complexes entre les voies de signalisation de l'interféron et la réaction immune adaptative à l'infection par le SRAS‑CoV‑2 et à la vaccination contre ce virus.
  • Utiliser des algorithmes d'apprentissage machine pour étayer les estimations de paramètres pour les modèles mécanistes, en tenant compte de différents jeux de données empiriques.

Résultats attendus

  • Modèles capables de générer des données synthétiques (prévisions, jumeau numérique) affichant la même distribution que les données biologiques empiriques et qui peuvent aider les agences de santé publique à orienter leurs stratégies de vaccination et à prédire l'innocuité et l'efficacité de différents types de vaccins.

Équipe de projet

  • Jane Heffernan, chercheur principal, Université York
  • Mohammad Sajjad Ghaemi, agent de recherches, Centre de collaboration CNRC‑Fields
  • James Ooi, agent de recherches, Centre de collaboration CNRC‑Fields

Pour nous contacter

Andrew Scheidl, Codirecteur
Soins de santé numériques et analyse de données
Programme Défi en réponse à la pandémie du CNRC
Courriel : Andrew.scheidl@nrc-cnrc.gc.ca

Jane Heffernan
Professeur, titulaire inaugural de la Chaire de recherche de l'Université York (niveau II), Méthodes multiéchelles pour politiques de santé fondées sur des données probantes
Département de mathématiques et de statistique et Centre de modélisation des maladies, Université York
Courriel : jmheffer@yorku.ca

Liens connexes