Mais avant que ce travail puisse être fait, Ling avait besoin de savoir : Comment pouvez-vous déterminer le nombre d’individus représentés dans un échantillon aléatoire d’eaux usées ?

Une rencontre fortuite avec un collègue a aidé Ling, professeur adjoint au Département de génie énergétique, environnemental et chimique de la McKelvey School of Engineering, à développer un modèle d’apprentissage automatique qui utilisait l’assortiment de microbes trouvés dans les eaux usées pour déterminer combien de personnes individuelles ils représentaient. À l’avenir, cette méthode pourra peut-être relier d’autres propriétés des eaux usées à des données individuelles.

La recherche a été publiée dans la revue Biologie computationnelle PLOS.

Le problème était simple : « Si vous ne prenez qu’une cuillère d’eaux usées, vous ne savez pas combien de personnes vous mesurez », a déclaré Ling. Cela va à l’encontre de la façon dont les études sont généralement conçues.

« Habituellement, lorsque vous concevez votre expérience, vous concevez la taille de votre échantillon, vous savez combien de personnes vous mesurez », a déclaré Ling. Avant de pouvoir rechercher une corrélation entre le SRAS-CoV-2 et le nombre de personnes atteintes de COVID, elle devait déterminer combien de personnes étaient représentées dans l’eau qu’elle testait.

Au départ, Ling pensait que l’apprentissage automatique pourrait être en mesure de découvrir une relation directe entre la diversité des microbes et le nombre de personnes qu’il représentait, mais les simulations, effectuées avec un apprentissage automatique « prêt à l’emploi », n’ont pas abouti. .

Puis Ling a eu une rencontre fortuite avec Likai Chen, professeur adjoint de mathématiques et de statistiques aux Arts et Sciences. Les deux ont réalisé qu’ils partageaient un intérêt à travailler avec des données nouvelles et complexes. Ling a mentionné qu’elle travaillait sur un projet auquel Chen pourrait peut-être contribuer.

« Elle a partagé le problème avec moi et j’ai dit, c’est en effet quelque chose que nous pouvons faire », a déclaré Chen. Il se trouve que Chen travaillait sur un problème qui utilisait une technique que Ling trouvait également utile.

La clé pour pouvoir déterminer combien de personnes individuelles étaient représentées dans un échantillon est liée au fait que, plus l’échantillon est grand, plus il est susceptible de ressembler à la moyenne. Mais en réalité, les individus ont tendance à ne pas être exactement « moyens ». Par conséquent, si un échantillon ressemble à un échantillon moyen de microbiote, il est susceptible d’être composé de nombreuses personnes. Plus on s’éloigne de la moyenne, plus il est susceptible de représenter un individu.

« Mais maintenant, nous avons affaire à des données de grande dimension, n’est-ce pas ? » dit Chen. Il existe un nombre presque infini de façons de regrouper ces différents microbes pour former un échantillon. « Cela signifie donc que nous devons découvrir comment agréger ces informations sur différents sites ? »

En utilisant cette intuition de base – et beaucoup de mathématiques – Chen a travaillé avec Ling pour développer un algorithme d’apprentissage automatique plus personnalisé qui pourrait, s’il était formé sur de vrais échantillons de microbiote de plus de 1 100 personnes, déterminer combien de personnes étaient représentées dans une eau usée. échantillon (ces échantillons n’étaient pas liés aux données de formation).

« C’est beaucoup plus rapide et il peut être formé sur un ordinateur portable », a déclaré Ling. Et ce n’est pas seulement utile pour le microbiome, mais aussi, avec suffisamment d’exemples – des données de formation – cet algorithme pourrait utiliser des virus du virome humain ou des produits chimiques métaboliques pour relier les individus à des échantillons d’eaux usées.

« Cette méthode a été utilisée pour tester notre capacité à mesurer la taille de la population », a déclaré Ling. Mais cela va beaucoup plus loin. « Maintenant, nous développons un cadre pour permettre la validation à travers les études. »

Source de l’histoire :

Matériel fourni par Université de Washington à Saint-Louis. Original écrit par Brandie Jefferson. Remarque : Le contenu peut être modifié pour le style et la longueur.