Les chercheurs du Baylor College of Medicine ont développé AI-MARRVEL (AIM), un système d'apprentissage automatique qui améliore le diagnostic des troubles mendéliens rares en donnant la priorité aux variantes génétiques. AIM exploite une vaste base de données de variantes connues et s’est avéré plus performant que les autres méthodes en termes de précision, révolutionnant potentiellement le diagnostic et la découverte de maladies génétiques rares. Crédit : Issues.fr.com
AIM, développé par le Baylor College of Medicine, améliore le diagnostic génétique précision et la rapidité en donnant la priorité aux variantes causales dans les maladies rares, montrant des résultats supérieurs par rapport à d'autres méthodes.
Le diagnostic des troubles mendéliens rares est une tâche laborieuse, même pour des généticiens expérimentés. Les enquêteurs du Baylor College of Medicine tentent de rendre le processus plus efficace grâce à l'intelligence artificielle. L'équipe a développé un apprentissage automatique système appelé AI-MARRVEL (AIM) pour aider à prioriser les variantes potentiellement causales des troubles mendéliens. L'étude est publiée aujourd'hui dans NEJM IA.
Les chercheurs du laboratoire de diagnostic clinique Baylor Genetics ont noté que le module d'AIM peut contribuer aux prédictions indépendantes des connaissances cliniques du gène d'intérêt, contribuant ainsi à faire progresser la découverte de nouveaux mécanismes pathologiques. « Le taux de diagnostic des maladies génétiques rares n’est que d’environ 30 %, et il s’écoule en moyenne six ans entre l’apparition des symptômes et le diagnostic. Il existe un besoin urgent de nouvelles approches pour améliorer la rapidité et la précision du diagnostic », a déclaré le Dr Pengfei Liu, auteur co-correspondant, professeur agrégé de génétique moléculaire et humaine et directeur clinique associé chez Baylor Genetics.
AIM est formé à l’aide d’une base de données publique de variantes connues et d’analyses génétiques appelées Ressources agrégées d’organismes modèles pour l’exploration de variantes rares (MARRVEL) précédemment développées par l’équipe Baylor. La base de données MARRVEL comprend plus de 3,5 millions de variantes provenant de milliers de cas diagnostiqués. Les chercheurs fournissent à l'AIM les données et les symptômes de la séquence exome des patients, et l'AIM fournit un classement des gènes candidats les plus probables à l'origine de la maladie rare.
Les chercheurs ont comparé les résultats de l'AIM à d'autres algorithmes utilisés dans des documents de référence récents. Ils ont testé les modèles en utilisant trois cohortes de données avec des diagnostics établis de Baylor Genetics, le Instituts nationaux de la santé– financé par le Réseau des maladies non diagnostiquées (UDN) et le projet Deciphering Developmental Disorders (DDD). L'AIM a systématiquement classé les gènes diagnostiqués comme candidats n°1 dans deux fois plus de cas que toutes les autres méthodes de référence utilisant ces ensembles de données du monde réel.
« Nous avons formé AIM pour imiter la façon dont les humains prennent des décisions, et la machine peut le faire beaucoup plus rapidement, plus efficacement et à moindre coût. Cette méthode a effectivement doublé le taux de diagnostic précis », a déclaré le Dr Zhandong Liu, professeur agrégé de pédiatrie – neurologie à Baylor et chercheur au Jan and Dan Duncan Neurological Research Institute (NRI) de l'hôpital pour enfants du Texas.
L’AIM offre également un nouvel espoir pour les cas de maladies rares restés non résolus pendant des années. Des centaines de nouveaux variants pathogènes qui pourraient jouer un rôle clé dans la résolution de ces cas non résolus sont signalés chaque année ; cependant, il est difficile de déterminer quels cas méritent une réanalyse en raison du volume élevé de cas. Les chercheurs ont testé la réanalyse clinique de l'exome d'AIM sur un ensemble de données de cas UDN et DDD et ont constaté qu'elle était capable d'identifier correctement 57 % des cas diagnosticables.
« Nous pouvons rendre le processus de réanalyse beaucoup plus efficace en utilisant AIM pour identifier un ensemble de cas potentiellement résolubles avec un niveau de confiance élevé et en soumettant ces cas à un examen manuel », a déclaré Zhandong Liu. « Nous prévoyons que cet outil pourra récupérer un nombre sans précédent de cas qui n’étaient pas considérés auparavant comme pouvant être diagnostiqués. »
Les chercheurs ont également testé le potentiel de l'AIM pour la découverte de nouveaux gènes candidats qui n'ont pas été associés à une maladie. L'AIM a correctement prédit que deux gènes de maladie nouvellement signalés seraient les meilleurs candidats dans deux cas d'UDN.
« L’AIM constitue une avancée majeure dans l’utilisation de l’IA pour diagnostiquer les maladies rares. Il réduit les diagnostics génétiques différentiels à quelques gènes et a le potentiel de guider la découverte de troubles jusqu'alors inconnus », a déclaré le Dr Hugo Bellen, auteur co-correspondant, professeur émérite de génétique moléculaire et humaine à Baylor et titulaire de la chaire de neurogénétique à le Duncan NRI.
« En combinaison avec l'expertise approfondie de nos directeurs de laboratoires cliniques certifiés, des ensembles de données hautement organisés et une technologie automatisée évolutive, nous constatons l'impact de l'intelligence augmentée pour fournir des informations génétiques complètes à grande échelle, même pour les populations de patients les plus vulnérables et les conditions complexes. » a déclaré l'auteur principal, le Dr Fan Xia, professeur agrégé de génétique moléculaire et humaine à Baylor et vice-président de la génomique clinique chez Baylor Genetics. « En appliquant les données d'entraînement réelles d'une cohorte Baylor Genetics sans aucun critère d'inclusion, AIM a montré une précision supérieure. Baylor Genetics vise à développer la prochaine génération d’intelligence diagnostique et à l’appliquer à la pratique clinique.
Les autres auteurs de ce travail incluent Dongxue Mao, Chaozhong Liu, Linhua Wang, Rami AI-Ouran, Cole Deisseroth, Sasidhar Pasupuleti, Seon Young Kim, Lucian Li, Jill A.Rosenfeld, Linyan Meng, Lindsay C. Burrage, Michael Wangler, Shinya. Yamamoto, Michael Santana, Victor Perez, Priyank Shukla, Christine Eng, Brendan Lee et Bo Yuan. Ils sont affiliés à une ou plusieurs des institutions suivantes : Baylor College of Medicine, Jan et Dan Duncan Neurological Research Institute du Texas Children's Hospital, Al Hussein Technical University, Baylor Genetics et le Human Genome Sequencing Center de Baylor.
Ce travail a été soutenu par l’Initiative Chang Zuckerberg et l’Institut national des troubles neurologiques et des accidents vasculaires cérébraux (3U2CNS132415).
