La maladie du coronavirus 2019 (COVID-19) est une nouvelle maladie humaine causée par l'infection par le SRAS-CoV-2 qui a été déclaré pandémique par l'Organisation mondiale de la santé (OMS) le 11 mars 2020. Alors que l'infection par le SRAS-CoV-2 se répand dans la population, un spectre de trajectoires de la progression clinique de la COVID-19 devient apparent. Des personnes asymptomatiques aux personnes gravement malades et mourantes, du rétablissement complet aux symptômes persistants. Saisir l'ensemble du paysage de la COVID-19 dans une population hétérogène est une tâche difficile. Le résultat est déterminé par de nombreux facteurs, notamment l'interaction du virus avec l'hôte, en tenant compte de la génétique individuelle et l'histoire naturelle. Dans ce projet, nous proposons un ensemble de nouvelles approches intégrant l’intelligence artificielle pour tirer parti des analyses longitudinales de données expérimentales de haut débit (-omiques à partir de matériel biologique et de données cliniques de la Biobanque québécoise de la COVID-19 (BQC19) afin de définir les endophénotypes moléculaires associés aux différentes trajectoires cliniques de la COVID-19 et d'identifier les populations vulnérables aux complications de la COVID-19. À terme, notre but est : 1) identifier les endophenotypes associés à la COVID-19 dans la population québécoise et 2) aider les organismes de santé publique à adopter des politiques appropriées.

Coronavirus 2019 (COVID-19) is a new human disease caused by SARS-CoV-2 infection that was declared pandemic by the World Health Organization (WHO) on March 11, 2020. As SARS-CoV-2 infection spreads in the population, a spectrum of clinical trajectories of COVID-19 becomes apparent. From asymptomatic to severely ill and dying, from full recovery to persistent symptoms. Capturing the full landscape of COVID-19 in a heterogeneous population is a difficult task. The outcome is determined by many factors, including the interaction of the virus with the host, taking into account genetics and natural history of each individuals. In this project, we propose a set of novel approaches integrating artificial intelligence to take advantage of longitudinal analyses of high throughput experimental (-omics) data from biological material and clinical data from the Biobanque québécoise de la COVID-19 (BQC19) to define the molecular endophenotypes associated with the different clinical trajectories of COVID-19 and to identify populations vulnerable to COVID-19 complications. Ultimately, our goal is to: 1) identify the endophenotypes associated with COVID-19 in the Quebec population and 2) help public health organizations adopt appropriate policies.