Les chercheurs de la clinique de Mayo ont été les pionniers d'un outil d'intelligence artificielle (IA), appelé omicsfootprint, qui aide à convertir de grandes quantités de données biologiques complexes en images circulaires bidimensionnelles. Les détails de l'outil sont publiés dans une étude en Recherche des acides nucléiques.
L'OMICS est l'étude des gènes, des protéines et d'autres données moléculaires pour aider à découvrir le fonctionnement du corps et comment les maladies se développent. En cartographiant ces données, l'empreinte omicsfoot peut fournir aux cliniciens et aux chercheurs une nouvelle façon de visualiser les modèles dans les maladies, telles que le cancer et les troubles neurologiques, qui peuvent aider à guider les thérapies personnalisées. Il peut également fournir un moyen intuitif d'explorer les mécanismes et les interactions de la maladie.
Les données deviennent les plus puissantes lorsque vous pouvez voir l'histoire qu'elle raconte. L'OMICSFOOTPRINT pourrait ouvrir des portes aux découvertes que nous n'avons pas pu réaliser auparavant. »
Krishna Rani Kalari, Ph.D., auteur principal, Professeur agrégé d'informatique biomédicale au Mayo Clinic's Center for Individualized Medicine
Les gènes agissent comme le manuel d'instructions du corps, tandis que les protéines effectuent ces instructions pour faire fonctionner les cellules. Parfois, les changements dans ces instructions – appelés mutations – peuvent perturber ce processus et conduire à la maladie. L'empreinte omicsfoot aide à donner un sens à ces complexités en transformant les données – telles que l'activité génique, les mutations et les niveaux de protéines – en cartes circulaires colorées qui offrent une image plus claire de ce qui se passe dans le corps.
Dans leur étude, les chercheurs ont utilisé l'empreinte omicsfoot pour analyser la réponse médicamenteuse et les données multi-omiques du cancer. L'outil s'est distingué entre deux types de cancer du sein – carcinomes lobulaires et canalaires – avec une précision moyenne de 87%. Lorsqu'il est appliqué au cancer du poumon, il a démontré une précision de plus de 95% dans l'identification de deux types: l'adénocarcinome et le carcinome épidermoïde.
L'étude a montré que la combinaison de plusieurs types de données moléculaires produit des résultats plus précis que d'utiliser un seul type de données.
L'OmicsFootPrint montre également un potentiel en fournissant des résultats significatifs même avec des ensembles de données limités. Il utilise des méthodes d'IA avancées qui apprennent des données existantes et appliquent ces connaissances à de nouveaux scénarios – un processus connu sous le nom d'apprentissage par transfert. Dans un exemple, il a aidé les chercheurs à atteindre plus de 95% de précision dans l'identification des sous-types de cancer du poumon en utilisant moins de 20% du volume de données typique.
« Cette approche pourrait être bénéfique pour la recherche, même avec une petite taille d'échantillon ou des études cliniques », explique le Dr Kalari.
Pour améliorer sa précision et ses informations, le framework OmicSFootPrint utilise également une méthode avancée appelée Shap (Shapley Additive Explications). SHAP met en évidence les marqueurs, gènes ou protéines les plus importants qui influencent les résultats pour aider les chercheurs à comprendre les facteurs stimulant les schémas de la maladie.
Au-delà de la recherche, l'empreinte omicsfoot est conçue pour une utilisation clinique. Il comprime les grands ensembles de données biologiques en images compactes qui ne nécessitent que 2% de l'espace de stockage d'origine. Cela pourrait rendre les images faciles à intégrer dans des dossiers médicaux électroniques pour guider les soins aux patients à l'avenir.
L'équipe de recherche prévoit d'élargir l'empreinte OmicSfoot pour étudier d'autres maladies, y compris les maladies neurologiques et d'autres troubles complexes. Ils travaillent également sur des mises à jour pour rendre l'outil encore plus précis et flexible, y compris la possibilité de trouver de nouveaux marqueurs de maladies et des cibles médicamenteuses.
