La majorité des troubles de santé mentale se manifestent à l'adolescence et sont liés à une interaction multiple de facteurs neurobiologiques et environnementaux. Au lieu de considérer ces facteurs de manière isolée, une nouvelle technique d'apprentissage multiple peut modéliser les interactions cerveau-environnement, ce qui améliore considérablement la détection des symptômes de santé mentale existants et la prédiction des symptômes futurs par rapport aux méthodes actuelles. L'étude de Psychiatrie biologique : neurosciences cognitives et neuroimageriepublié par Elsevier, souligne l’importance de considérer le cerveau de l’adolescent en conjonction avec l’environnement dans lequel il se développe.
Il existe un besoin croissant de construire des modèles plus complexes, mais nuancés, de la biologie et du comportement humains, notamment en ce qui concerne le développement des symptômes de santé mentale. Malgré l’importance de ce problème, la plupart des travaux considèrent encore le cerveau et l’environnement de manière isolée ou comme des interactions univariées et linéaires.
May I. Conley, MS, MPhil, candidate au doctorat, Université Yale, Département de psychologie, co-auteur principal de l'étude, déclare : « Depuis longtemps, les scientifiques du développement doivent relever le défi de tester des théories qui, à bien des égards, passent inaperçues. Du quartier à la famille, nous reconnaissons que les expériences des jeunes dans leur environnement et la neurobiologie influencent toutes deux le développement émotionnel et comportemental. Pourtant, nous n'avons pas de méthodes qui saisissent précisément la complexité de cette interaction. »
Pour résoudre ce problème, les chercheurs se sont tournés vers l'apprentissage multiple, une classe prometteuse d'algorithmes permettant de découvrir la structure latente à partir de données biomédicales de grande dimension comme l'imagerie par résonance magnétique fonctionnelle (IRMf). Ils ont développé l'algorithme PHATE exogène (E-PHATE) pour modéliser les interactions cerveau-environnement. En utilisant l'ensemble de données ABCD (Adolescent Brain and Cognitive Development), soutenu par les National Institutes of Health et d'autres partenaires fédéraux, ils ont utilisé les intégrations E-PHATE de l'activation cérébrale des participants pendant le traitement émotionnel et cognitif pour prédire les différences individuelles en matière de cognition et de symptômes émotionnels et comportementaux, à la fois de manière transversale et longitudinale.
L’un des résultats les plus remarquables de l’étude a été l’effet de la combinaison de variables environnementales supplémentaires dans la vision exogène d’E-PHATE. Les chercheurs ont constaté une plus grande corrélation entre l’activité cérébrale et les symptômes de santé mentale en modélisant l’environnement familial ou de voisinage dans E-PHATE, mais en combinant ces paramètres avec d’autres, le modèle a continué d’améliorer sa représentation. Cela était toutefois spécifique à l’ajout d’informations environnementales, plutôt qu’à un effet du nombre de variables (qui a été testé avec des analyses supplémentaires). Cette découverte renforce la nécessité de prendre en compte les multiples environnements dans lesquels évoluent les jeunes en conjonction avec la façon dont leur cerveau assimile les informations de ces environnements.
Erica L. Busch, MS, MPhil, candidate au doctorat, Université Yale, Département de psychologie, première auteure de l'étude, poursuit : « J'ai été ravi de constater que les principes de modélisation des données de neuroimagerie que j'avais développés pour des questions de sciences fondamentales pouvaient être rapidement adaptés à des applications cliniques et produisaient des résultats aussi frappants et des perspectives mécanistes. Cela a également souligné à quel point les collaborations interdisciplinaires peuvent être fructueuses ; ma collègue étudiante diplômée May Conley et son directeur de thèse, le Dr Baskin-Sommers, sont des experts en modèles biopsychosociaux des symptômes de santé mentale et, combinés à mon expérience informatique, nous avons chacun joué un rôle clé dans la définition de la question et des approches de ce projet. »
L'étude met en lumière les applications cliniques des nouvelles approches d'apprentissage automatique et de traitement du signal. Elle souligne notamment l'importance et la complexité de la relation entre le cerveau et l'environnement des adolescents en ce qui concerne les symptômes émotionnels et comportementaux. Les chercheurs présentent une méthode polyvalente avec de vastes applications dans les domaines cliniques et non cliniques.
Rédacteur en chef de Psychiatrie biologique : neurosciences cognitives et neuroimagerie Cameron S. Carter, MD, Université de Californie à Irvine, commente : « Des décennies de travaux sur le développement suggèrent que la neurobiologie et le contexte environnemental façonnent le développement des symptômes de santé mentale. Cette étude démontre l'adéquation de méthodes plus informatiques, comme l'apprentissage multiple, pour modéliser des données développementales multimodales complexes, et elles ont un grand potentiel pour améliorer la recherche sur la neurobiologie des symptômes émotionnels et comportementaux chez les adolescents. »
L'étude actuelle est novatrice sur trois dimensions principales :
- En caractérisant les données neuronales et environnementales comme des mesures multivariées.
- En considérant l’interaction entre eux comme non linéaire et de dimension inférieure (c’est-à-dire existant le long d’une variété latente, comme le font la plupart des données du monde réel).
- En permettant la découverte simultanée, basée sur des hypothèses et des données, d'une représentation significative de ces signaux.
L'auteur principal Arielle Baskin-Sommers, Ph. D., du département de psychologie de l'université de Yale, conclut : « Il est important que notre domaine d’activité améliore notre capacité à saisir les transactions complexes entre la personne et son environnement. Cependant, pour estimer ces transactions, de nouvelles méthodes sont nécessaires pour traiter plusieurs types de données et estimer leurs interactions au sein des individus. La méthode issue de cette collaboration interdisciplinaire est un exemple de la manière dont nous pouvons estimer ces transactions complexes. »
