Anticiper l’évolution des maladies auto-immunes grâce à l’IA

Pour améliorer l’exactitude des prévisions, l’équipe de recherche a élaboré une nouvelle méthode, nommée le Score de Progression Génétique (GPS), visant à anticiper la progression des stades précliniques aux stades de la maladie. Le GPS s’inspire du concept d’apprentissage par transfert — une technique d’apprentissage automatique où un modèle est entraîné sur une tâche ou un ensemble de données et ensuite ajusté pour une autre tâche ou un autre ensemble de données, comme l’a expliqué Bibo Jiang, professeur adjoint en sciences de la santé publique au Penn State College of Medicine et auteur principal de l’étude. Cette approche permet aux chercheurs d’extraire des informations plus pertinentes à partir de petits échantillons de données.

Par exemple, en imagerie médicale, des modèles d’intelligence artificielle peuvent être formés pour déterminer si une tumeur est cancéreuse ou non. Pour créer l’ensemble de données d’entraînement, les experts médicaux doivent étiqueter les images une à une, ce qui peut être chronophage et limité par le nombre d’images disponible. Liu a déclaré que l’apprentissage par transfert utilise des images plus nombreuses et faciles à étiqueter, comme celles de chats et de chiens, afin de constituer un ensemble de données beaucoup plus vaste. De plus, cette tâche peut être sous-traitée. Le modèle apprend à distinguer entre les animaux, puis peut être affiné pour distinguerc les tumeurs malignes des tumeurs bénignes.

« Vous n’avez pas besoin d’entraîner le modèle depuis le début », a souligné Liu. « La manière dont le modèle segmente les éléments d’une image pour déterminer s’il s’agit d’un chat ou d’un chien est transférable. Avec quelques adaptations, vous pouvez affiner le modèle pour séparer une image d’une tumeur d’une image de tissu normal. »

Le GPS s’entraîne sur des données provenant de grandes études de cas-témoins d’association à l’échelle du génome (GWAS), une approche courante dans la recherche en génétique humaine pour identifier les différences génétiques entre des personnes atteintes d’une maladie auto-immune et celles qui ne le sont pas, afin de détecter d’éventuels facteurs de risque. Cette méthode intègre également des données provenant de biobanques basées sur des dossiers de santé électroniques, qui contiennent des informations riches sur les patients, y compris des variantes génétiques, des tests de laboratoire et des diagnostics cliniques. Ces données aident à identifier les individus aux stades précliniques et à caractériser les étapes de progression de la phase préclinique à la phase de la maladie. Les données des deux sources sont ensuite intégrées pour affiner le modèle GPS, en tenant compte des facteurs pertinents pour le développement effectif de la maladie.

« L’intégration de grandes études de cas-témoins et de biobanques a permis d’emprunter les forces des grands échantillons d’études de cas-témoins et d’améliorer l’exactitude des prévisions », a expliqué Liu, précisant que les personnes avec des scores GPS élevés présentent un risque accru de progression des stades précliniques aux stades de la maladie.

L’équipe a utilisé des données réelles provenant de la biobanque de l’Université Vanderbilt pour prédire la progression de l’arthrite rhumatoïde et du lupus, puis a validé les scores de risque GPS avec les données de la biobanque All of Us, une initiative de données de santé des National Institutes of Health. Le GPS a mieux prédit la progression de la maladie que 20 autres modèles basés uniquement sur des échantillons de biobanque ou de cas-témoins et ceux combinant des échantillons de biobanque et de cas-témoins par d’autres méthodes.

Une prédiction précise de la progression de la maladie à l’aide du GPS pourrait permettre des interventions précoces, un suivi ciblé et des décisions de traitement personnalisées, conduisant ainsi à des résultats améliorés pour les patients, a indiqué Liu. Cela pourrait également améliorer la conception et le recrutement des essais cliniques en identifiant les individus les plus susceptibles de bénéficier de nouvelles thérapies. Bien que cette étude se soit concentrée sur les maladies auto-immunes, les chercheurs estiment qu’un cadre similaire pourrait être utilisé pour étudier d’autres types de maladies.

« Lorsque nous parlons de populations sous-représentées, il ne s’agit pas seulement de race. Cela pourrait également concerner des groupes de patients qui sont peu étudiés dans la littérature médicale, car ils ne représentent qu’une petite partie des ensembles de données habituels. L’IA et l’apprentissage par transfert peuvent nous aider à étudier ces populations et à réduire les disparités en matière de santé », a déclaré Liu. « Ce travail témoigne de la force du programme de recherche complet de Penn State sur les maladies auto-immunes. »

Liu et Jiang, ainsi que les co-auteurs de l’étude Laura Carrel, professeur de biochimie et biologie moléculaire ; Galen Foulke, professeur associé de dermatologie ; et Nancy Olsen, titulaire de la chaire H. Thomas et Dorothy Willits Hallowell en rhumatologie, ont formé le groupe de travail sur les maladies auto-immunes et collaborent depuis près d’une décennie. Ils dirigent des essais cliniques innovants, mènent des études de recherche pour comprendre les mécanismes biologiques des maladies auto-immunes et développent des méthodes d’IA pour résoudre divers problèmes liés à ces maladies.

Chen Wang, titulaire d’un doctorat en bioinformatique et en génomique de Penn State, et Havell Markus, étudiant en double diplôme dans le programme de formation de scientifiques médicaux MD/PhD, sont les co-premiers auteurs de l’étude. D’autres auteurs de Penn State ayant participé à cet article incluent : Avantika R. Diwadkar, étudiante diplômée ; Chachrit Khunsriraksakul, ayant obtenu son diplôme du programme MD/PhD pendant la période de l’étude ; et Xingyan Wang, qui était assistant de recherche au Penn State College of Medicine pendant la durée de l’étude.

D’autres contributeurs incluent Bingshan Li, professeur de physiologie moléculaire et de biophysique, et Xue Zhong, professeur assistant de recherche en médecine génétique, de l’École de médecine de l’Université Vanderbilt ; ainsi que Xiaowei Zhan, professeur associé de santé publique à l’Université du Texas Southwestern Medical Center.

Ce travail a été soutenu par des financements des National Institutes of Health, y compris le Bureau de science des données et des technologies émergentes du National Institute of Allergy and Infectious Diseases.