Des chercheurs de l’Icahn School of Medicine at Mount Sinai ont développé un système d’intelligence artificielle appelé V2P qui évalue non seulement si les mutations génétiques sont probablement nocives, mais prédit aussi les grandes catégories de maladies qu’elles peuvent causer. Cette approche, décrite dans un article de Nature Communications, vise à accélérer le diagnostic génétique et à soutenir des traitements plus personnalisés, en particulier pour les affections rares et complexes.
Des scientifiques de l’Icahn School of Medicine at Mount Sinai ont présenté V2P, un système d’intelligence artificielle conçu pour combler une lacune de longue date dans l’analyse génétique.
La plupart des outils existants se concentrent sur la détermination si une mutation est potentiellement dommageable, mais s’arrêtent avant d’indiquer quel type de maladie peut en résulter. V2P (Variant to Phenotype) est conçu pour aller plus loin en utilisant l’apprentissage automatique pour relier les variantes génétiques à leurs résultats phénotypiques attendus — c’est-à-dire les grands types de maladies ou de traits qu’une mutation peut produire, comme des troubles du système nerveux ou des cancers, selon Mount Sinai.
Le modèle utilise un cadre d’apprentissage automatique multi-tâches et multi-sorties entraîné sur de grands ensembles de données de variantes génétiques pathogènes et prétendument bénignes appariées à des informations phénotypiques. Cet entraînement lui permet d’estimer à la fois si une variante est pathogène ou bénigne et laquelle des 23 catégories phénotypiques de maladies de niveau supérieur de l’ontologie des phénotypes humains est la plus susceptible d’être affectée.
Dans des évaluations incluant des données de séquençage de patients désidentifiées, V2P a souvent classé la véritable mutation causant la maladie parmi les 10 principales variantes candidates dans un cas donné, un résultat que l’équipe de Mount Sinai dit pouvoir aider à rationaliser et accélérer le processus diagnostique.
« Notre approche nous permet d’identifier les changements génétiques les plus pertinents pour l’état d’un patient, plutôt que de trier des milliers de variantes possibles », a déclaré David Stein, PhD, premier auteur de l’étude, dans un communiqué de Mount Sinai. « En déterminant non seulement si une variante est pathogène mais aussi le type de maladie qu’elle est susceptible de causer, nous pouvons améliorer à la fois la vitesse et la précision de l’interprétation génétique et du diagnostic. »
L’auteur co-senior Avner Schlessinger, PhD, professeur de sciences pharmacologiques et directeur du centre de découverte de médicaments à petites molécules par IA à Icahn Mount Sinai, a mis en lumière le potentiel de l’outil au-delà des tests cliniques. « Au-delà du diagnostic, V2P pourrait aider les chercheurs et les développeurs de médicaments à identifier les gènes et les voies les plus étroitement liées à des maladies spécifiques », a-t-il dit. « Cela peut guider le développement de thérapies génétiquement adaptées aux mécanismes de la maladie, en particulier dans les affections rares et complexes. »
À ce jour, V2P trie les mutations en grandes catégories de maladies, y compris les troubles du système nerveux et les néoplasies (cancers). L’équipe de recherche prévoit d’affiner le système pour qu’il puisse faire des prédictions plus détaillées et intégrer ses résultats à des sources de données supplémentaires, dans le but de soutenir davantage la découverte de cibles et le développement de médicaments.
« V2P nous donne une fenêtre plus claire sur la façon dont les changements génétiques se traduisent en maladie, ce qui a des implications importantes pour la recherche et les soins aux patients », a déclaré Yuval Itan, PhD, co-auteur senior et professeur associé d’intelligence artificielle et de santé humaine à Icahn Mount Sinai. « En reliant des variantes spécifiques aux types de maladies qu’elles sont les plus susceptibles de causer, nous pouvons mieux prioriser les gènes et les voies qui méritent une investigation plus approfondie. Cela nous aide à passer plus efficacement de la compréhension de la biologie à l’identification d’approches thérapeutiques potentielles et, en fin de compte, à adapter les interventions au profil génomique spécifique d’un individu. »
Le travail, décrit dans l’article de Nature Communications « Expanding the utility of variant effect predictions with phenotype-specific models », a été dirigé par Stein et les co-auteurs Meltem Ece Kars, Baptiste Milisavljevic, Matthew Mort, Peter D. Stenson, Jean-Laurent Casanova, David N. Cooper, Bertrand Boisson, Peng Zhang, Schlessinger et Itan.
Selon Mount Sinai, la recherche a été soutenue par les subventions des National Institutes of Health R24AI167802 et P01AI186771, un financement de la Fondation Leducq, et la subvention 2209-05535 du Leona M. and Harry B. Helmsley Charitable Trust. Un soutien supplémentaire est venu des subventions NIH R01CA277794, R01HD107528 et R01NS145483, ainsi que des subventions Clinical and Translational Science Awards UL1TR004419 et des prix d’infrastructure S10OD026880 et S10OD030463.
Les auteurs de l’étude et les chercheurs de Mount Sinai affirment que le système fait avancer la médecine de précision en fournissant un moyen à haut débit pour cartographier les variantes génétiques humaines vers des phénotypes de maladies probables, permettant potentiellement des interventions plus rapides et plus ciblées basées sur le profil génétique d’un individu.
