Nettoyer pour Innover : Améliorer la qualité des données publiques de pathogènes alimentaires pour les utiliser dans des modèles d’IA
Résumé
En sécurité alimentaire, l’Intelligence Artificielle (IA) a récemment été utilisée afin de prédire l’origine, la virulence ou la résistance d’agents pathogènes (AP). Cependant, ces modèles ont été entrainés sur des jeux de données restreints [1-3]. A l’ère du Big Data, l’étude des AP bénéficie de vastes informations publiques grâce notamment aux réseaux de surveillance et aux projets de recherche. La démocratisation du séquençage a entraîné une croissance exponentielle du nombre de génomes bactériens disponibles dans les bases de données publiques. Malgré des tentatives d’harmonisation, les métadonnées contextuelles de ces souches restent souvent hétérogènes et non structurées du fait de leur provenance variée. Ainsi, l’application de l’IA aux données massivement disponibles, grâce aux politiques d’Open Data, nécessite le développement d’outils et de méthodes d’harmonisation de ces métadonnées [4,5]. L’objectif de cette étude a été de développer des méthodes automatisées de normalisation et de standardisation permettant l’interopérabilité et l’exploitation de ces métadonnées et données génomiques publiques par la communauté scientifique. Pour cela, nous nous sommes principalement appuyés sur deux référentiels internationaux : Geopy pour les données géographiques et l’ontologie Foodex2 pour décrire et hiérarchiser les sources alimentaires. Ces métadonnées ont été ensuite croisées avec les données d’annotation génomique (gènes d’intérêt, SNP, cgMLST...).Nous avons collecté deux bases de données d’AP impliqués dans des toxi-infections alimentaires à partir de NCBI. Seules les souches présentant une origine clairement définie ont été sélectionnés pour la suite : 46.977 souches de Listeria monocytogenes (Lm) et 10.995 souches de Vibrio parahaemolyticus (Vp). L’application des méthodes décrites a permis de réduire la diversité des métadonnées géographiques d’un facteur 3X et de l’origine des souches d’un facteur 4X. Les bases obtenues présentent ainsi des souches provenant de 69 (Lm) et 41 (Vp) pays différents collectées entre 1900 et 2024 et provenant de 368 (Lm) et 77 (Vp) origines différentes (aliments, environnements ou humains). Ces étapes de nettoyage sont cruciales pour l’utilisation des modèles d'IA dédiés à la compréhension des épidémies et l’anticipation des risques construits à partir de données génomiques. Elles pourront être appliquées à d’autres AP d’intérêts en sécurité alimentaire, en santé humaine et animale.