Des échantillons de sang aux scans et appareils portables, l’examen suit ce qui se passe après qu’un modèle d’IA identifie un signal de maladie prometteur.
Revue : L’intelligence artificielle dans la découverte de biomarqueurs pour les maladies : perspectives diagnostiques et thérapeutiques. Crédit d’image : Ultramansk / Shutterstock
Dans une récente revue sélective publiée dans la revue Transduction du signal et thérapie cibléeles auteurs ont examiné comment l’intelligence artificielle (IA) peut soutenir la découverte, la validation, l’interprétation biologique, l’utilité clinique et l’intégration thérapeutique de biomarqueurs dans toutes les maladies.
Sommaire
Arrière-plan
Un biomarqueur prometteur a besoin de plus qu’un puissant pouvoir prédictif pour être utile aux soins des patients. Les biomarqueurs peuvent aider à détecter, classer et orienter le traitement des problèmes de santé, mais de nombreux candidats qui obtiennent de bons résultats dans les études initiales ne peuvent pas être reproduits dans des cohortes indépendantes ou améliorer les décisions cliniques. Dans le même temps, la recherche sur les biomarqueurs repose sur des combinaisons de mesures, notamment des données génomiques, transcriptomiques, protéomiques, métaboliques, d’imagerie, cellulaires, circulantes et numériques.
L’IA peut intégrer ces données et identifier des modèles multi-échelles, mais les biais, la confusion, l’hétérogénéité des données, le surajustement et la faible validation externe peuvent limiter la traduction. Les auteurs réclament des biomarqueurs reproductibles, biologiquement pertinents, cliniquement applicables et validés de manière prospective.
Types de données de biomarqueurs
La découverte de biomarqueurs englobe plusieurs domaines, notamment les biomarqueurs moléculaires, cellulaires, circulants, d’imagerie et numériques. Dans le domaine moléculaire, les chercheurs utilisent des approches telles que la génomique, l’épigénomique, la transcriptomique et la protéomique.
Les stratégies multi-omiques intègrent ces couches, tandis que les approches unicellulaires et spatiales préservent le contexte cellulaire et tissulaire. Les biomarqueurs cellulaires capturent l’activation immunitaire, l’épuisement, les changements de lignée, les programmes inflammatoires et les environnements tissulaires. Les pièges extracellulaires des neutrophiles relient l’activation immunitaire innée aux lésions vasculaires, à la thrombose et aux lésions tissulaires.
Les biomarqueurs circulants constituent un moyen peu invasif d’évaluer la biologie des maladies. Des signaux tels que l’acide désoxyribonucléique acellulaire (cfDNA), qui comprend l’ADN tumoral circulant, l’acide ribonucléique acellulaire (ARNcf), les protéines et les métabolites peuvent faciliter la détection et la surveillance des maladies dans des contextes cliniques appropriés. Leur valeur clinique dépend du traitement préanalytique, de la sensibilité analytique, de la charge tumorale, du calendrier du traitement et des caractéristiques du patient.
Les vésicules extracellulaires transportent des signaux moléculaires qui reflètent leurs cellules d’origine et facilitent la communication intercellulaire, mais les méthodes d’isolement, les contaminants, les normes de quantification et les différences en laboratoire compliquent leur utilisation comme biomarqueurs.
Les biomarqueurs d’imagerie fournissent des informations sur la structure et la fonction des tissus. La radiomique et l’imagerie informatique quantifient les caractéristiques de la tomodensitométrie, de l’imagerie par résonance magnétique, de la tomographie par émission de positons et de la pathologie numérique, mais les différences entre les scanners, les protocoles d’acquisition, la segmentation et l’harmonisation inter-sites doivent être contrôlées.
Les biomarqueurs numériques des appareils portables, des smartphones et des capteurs ambiants peuvent capturer le sommeil, la mobilité, la physiologie autonome et les symptômes. L’hétérogénéité des appareils, les données incomplètes, les confusions comportementales et les préjugés socio-économiques restent des préoccupations.
Méthodes d’IA pour la découverte de biomarqueurs
L’apprentissage automatique classique reste utile lorsque les ensembles de données contiennent de nombreuses variables mais peu de sujets. La régression régularisée, les machines à vecteurs de support et les ensembles d’arbres peuvent identifier des biomarqueurs candidats, mais les fuites, les réglages répétés, la sélection basée sur les résultats et les explications instables peuvent produire des résultats trop optimistes.
L’apprentissage profond est utile pour les données non linéaires et structurées telles que les images, les tableaux et les graphiques. L’apprentissage par représentation peut générer des intégrations réutilisables, tandis que l’apprentissage auto-supervisé peut exploiter des données non étiquetées pour des tâches nécessitant un transfert entre paramètres.
L’apprentissage automatique multimodal intègre l’imagerie, les mesures en laboratoire, les données cliniques longitudinales et d’autres sources. L’apprentissage par transfert peut utiliser de grands ensembles de données de dossiers de santé électroniques pour prendre en charge de plus petites cohortes omiques et cliniques appariées.
Les réseaux de neurones graphiques peuvent modéliser les relations entre les gènes, les protéines, les voies, les médicaments et les phénotypes et intégrer la structure biologique dans l’apprentissage.
Les modèles de base formés sur de grands ensembles de données biologiques peuvent fournir des représentations réutilisables pour des tâches impliquant l’omique, la découverte de médicaments et l’analyse biologique. Ces modèles peuvent également coder des signaux de lots, d’ascendance ou de site qui apparaissent comme des biomarqueurs si les chercheurs ne les contrôlent pas.
Les modèles génératifs et assistés par simulation peuvent proposer des signatures candidates, des états moléculaires, des réponses aux perturbations, des hypothèses de voies et des mécanismes possibles. Ces résultats doivent initialement être traités comme des hypothèses plutôt que comme des preuves.
Pour aller plus loin, un candidat nécessite une cohérence interne, une réplication externe, des tests de stabilité entre les populations et les plates-formes, ainsi qu’un bénéfice cliniquement significatif. Les méthodes d’explicabilité peuvent soutenir l’audit et la transparence mais ne peuvent pas remplacer la validation biologique ou les tests expérimentaux.
IA mécaniste et traduction clinique
La plupart des biomarqueurs dérivés de l’IA sont corrélationnels : ils identifient des modèles associés aux résultats sans établir pourquoi ces modèles se produisent. De tels marqueurs peuvent toujours être utiles pour la stratification du risque, mais les preuves mécanistes sont importantes lorsqu’un marqueur est utilisé pour guider le traitement ou pour identifier une cible de traitement.
L’IA mécaniste intègre des voies biologiques, des réseaux, des données de perturbation ou des structures causales pour relier les signatures aux processus pathologiques. Les modèles contraints par voie peuvent coder des relations de signalisation connues, tandis que des ensembles de données de perturbation provenant d’expériences de répétitions palindromiques courtes et régulièrement espacées, d’essais de réponse aux médicaments et de stimulation de cytokines peuvent aider à distinguer les facteurs causals des corrélations en aval.
L’apprentissage de la représentation causale recherche des caractéristiques qui restent stables sous intervention, mais les données d’observation restent vulnérables aux confusions non mesurées et aux changements de la maladie au fil du temps.
Les biomarqueurs de l’état de la voie peuvent capturer l’activité fonctionnelle plus efficacement que les mesures isolées de l’abondance moléculaire. Ils évaluent le comportement d’un réseau de molécules en interaction, plutôt que de mesurer un seul composant.
L’article traite de la phosphoinositide 3-kinase – protéine kinase B – cible mécaniste de la rapamycine, de la protéine kinase activée par un mitogène, du facteur nucléaire kappa B et de la Janus kinase – transducteur de signal et activateur des voies de transcription comme exemples de systèmes biologiques changeants dont l’activation ne peut pas toujours être déduite de composants individuels.
Les pièges extracellulaires des neutrophiles offrent un autre exemple : ils peuvent refléter l’interaction entre les processus inflammatoires et de coagulation, mais leur valeur pour orienter le traitement doit encore être testée.
Les approches mécanistes peuvent prendre en charge la classification des réponses au traitement, la stratification des patients, l’enrichissement des essais et la priorisation des cibles thérapeutiques, mais les cibles plausibles nécessitent toujours une validation expérimentale et indépendante.
Validation et mise en œuvre
Les auteurs proposent un parcours de développement couvrant la découverte, la validation externe, les tests dans différentes conditions, l’utilité clinique et le déploiement.
Une validation externe sur des cohortes et sous-groupes indépendants est nécessaire car les performances de découverte peuvent surestimer l’efficacité.
L’évaluation doit s’étendre au-delà des mesures de discrimination, telles que l’aire sous la courbe, pour inclure l’analyse des décisions, l’intégration du flux de travail et les résultats pour les patients. Les études prospectives sont particulièrement importantes lorsque les biomarqueurs guident la sélection, le dosage ou l’enrichissement des essais cliniques.
Les obstacles courants comprennent l’hétérogénéité des données, la diversité limitée des cohortes, l’annotation biologique incomplète, les incohérences dans les rapports, la dérive des ensembles de données, la confusion liée au traitement et l’intégration inadéquate dans les flux de travail cliniques.
La revue propose une collecte de données harmonisée, une validation multicentrique prospective, des rapports transparents et une évaluation standardisée de la cohérence, de l’étalonnage, de l’équité et de l’utilité clinique des mesures.
Conclusions
La revue conclut que l’IA peut étendre la découverte de biomarqueurs en intégrant des données moléculaires, cellulaires, d’imagerie, circulantes et numériques pour identifier les signatures de maladies. Pourtant, des prédictions précises ne suffisent pas à établir une valeur clinique. Un biomarqueur nécessite également des mesures reproductibles, des tests indépendants et des preuves que son utilisation améliore les soins. Les hypothèses biologiques devraient guider l’intégration multimodale, tandis que les expériences doivent tester les mécanismes proposés.
Les auteurs identifient les études prospectives, les données harmonisées, les rapports transparents, l’évaluation standardisée, la coordination réglementaire et la collaboration interdisciplinaire comme priorités pour faire progresser les biomarqueurs dérivés de l’IA depuis les paramètres de découverte vers le développement thérapeutique et la prise de décision clinique.
