Skip to main content
Aller à la page d’accueil de la Commission européenne (s’ouvre dans une nouvelle fenêtre)
français fr
CORDIS - Résultats de la recherche de l’UE
CORDIS

Real-time reconstruction of epidemic dynamics from viral phylogenies using Deep Learning

Description du projet

Reconstruire en temps réel la dynamique des épidémies

La pandémie de COVID-19 a démontré l’importance de comprendre comment les pandémies se propagent en temps réel afin d’accroître l’efficacité de la préparation et de la réponse en matière de santé publique. Les méthodes traditionnelles qui s’appuient sur des données de cas déclarés peuvent être biaisées ou incomplètes, en particulier dans les régions où les ressources sont limitées. Soutenu par le programme Actions Marie Skłodowska-Curie, le projet Deep EpiDyn propose une approche différente de la surveillance des épidémies en combinant l’évolution virale et l’apprentissage profond. Les chercheurs visent à former des modèles permettant de relier les informations sur l’évolution virale à des indicateurs épidémiologiques clés tels que le taux de transmission et la période infectieuse. Cette approche promet une analyse plus rapide, plus précise et en temps réel, améliorant ainsi la surveillance des maladies et la préparation.

Objectif

Reconstructing epidemic dynamics in real-time has become crucial for effective disease management, as demonstrated by the COVID-19 pandemic. Traditional methods rely on epidemiological data (e.g. reported cases), which can be biased or incomplete due to variable testing policies, particularly in resource-limited settings. Instead, phylodynamics has emerged as a valuable toolkit for using viral phylogenies to understand epidemic dynamics. However, conventional phylodynamic methods rely on mathematical formulas and approximations, which are not scalable to large datasets and are time-consuming, limiting their use primarily to retrospective rather than real-time analysis.

This proposal aims to transform phylodynamics by integrating it with deep learning to bypass the cumbersome likelihood calculations, thereby facilitating real-time analysis directly from sequence data. I will develop innovative deep learning models to explore the relationships between phylogenetic trees and epidemiological parameters of viruses with epidemic potential, such as SARS-CoV-2, influenza, RSV, and mpox. These models are designed to rapidly and accurately estimate time-varying epidemiological metrics, including transmission heterogeneity, basic reproduction numbers, infectious and incubation periods.

This initiative is set to revolutionize our ability to model and comprehend infectious diseases in real-time, elevating sequence data to a critical, standalone data source. It will incorporate cross-validation with epidemiological inference from reported cases and wastewater analyses, reducing reliance on any single data source and enhancing both public health responses and infectious disease surveillance. Furthermore, by simulating incremental data collection that reflects real outbreak conditions, this project will evaluate the sensitivity of real-time estimations and determine the necessary sampling proportions to accurately represent epidemic dynamics. This approach will yield crucial

Champ scientifique (EuroSciVoc)

Mots‑clés

Programme(s)

Thème(s)

Régime de financement

HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European Fellowships

Voir tous les projets financés dans le cadre de ce programme de financement

Appel à propositions

(s’ouvre dans une nouvelle fenêtre) HORIZON-MSCA-2024-PF-01

Voir tous les projets financés au titre de cet appel

Coordinateur

THE CHANCELLOR, MASTERS AND SCHOLARS OF THE UNIVERSITY OF OXFORD
Contribution nette de l'UE
€ 276 187,92
Adresse
WELLINGTON SQUARE UNIVERSITY OFFICES
OX1 2JD Oxford
Royaume-Uni
Région
South East (England) Berkshire, Buckinghamshire and Oxfordshire Oxfordshire
Type d’activité
Higher or Secondary Education Establishments
Liens
Coût total
Aucune donnée