Un modèle de modèles pourrait-il aider à démêler la maladie d’Alzheimer ?

Deux personnes peuvent recevoir un diagnostic de maladie d’Alzheimer tout en étant confrontées à des problèmes très différents. L’une peut avoir principalement des troubles de la mémoire, tandis que l’autre peine à trouver ses mots ou à s’orienter dans des lieux familiers. Leurs examens cérébraux, leurs antécédents génétiques et leurs autres problèmes de santé peuvent également différer. Pour les chercheurs qui tentent de prévoir l’évolution de la maladie, le diagnostic à lui seul laisse de nombreuses questions sans réponse.

Une revue dirigée par des chercheurs de la Hebrew University of Jerusalem propose une approche informatique pour mieux cerner ces différences. Au lieu de chercher un modèle unique capable d’expliquer tous les patients, l’équipe présente la métamodélisation : une méthode qui consiste à relier des modèles spécialisés portant sur différents aspects de la maladie afin d’établir un profil individuel plus détaillé.

L’article, La maladie d’Alzheimer à l’ère informatique : d’une maladie déterministe à un trouble aux multiples facettes, a été publié dans Brain le 30 juillet 2026. Parmi ses auteurs figurent Meitar Benbaji, Barak Raveh, Lana Bassal, Uri Elias, Lidor Gazit, Gilles Allali, Gad A. Marshall et Shahar Arzy, affiliés à la Hebrew University, au Hadassah Medical Center, au Lausanne University Hospital et à des hôpitaux affiliés à Harvard.

Il s’agit d’une proposition pour de futurs travaux de recherche, et non d’un système diagnostique validé ni d’un traitement dont l’efficacité a été démontrée. Son intérêt tient à une autre question : les méthodes informatiques peuvent-elles transformer les nombreuses observations disparates sur la maladie d’Alzheimer en explications et en prédictions utiles pour une personne donnée ?

Pourquoi une seule étiquette peut masquer des différences importantes

L’annonce de l’université souligne que la maladie d’Alzheimer peut associer différentes manifestations cognitives, modifications cérébrales, processus biologiques, caractéristiques génétiques et facteurs de risque. Les troubles de la mémoire ne représentent qu’une partie de cet ensemble. L’orientation, le langage, le comportement, le traitement visuel et les fonctions exécutives peuvent également être touchés.

Le tableau biologique ne se limite pas non plus à l’amyloïde et à la protéine tau, les deux protéines les plus étroitement associées à la maladie. Les chercheurs préconisent de prendre aussi en compte les processus inflammatoires, vasculaires, métaboliques et autres. L’objectif est de comprendre comment ces facteurs se combinent chez une personne, plutôt que de supposer que toutes les personnes ayant le même diagnostic suivent un parcours identique.

Dans le communiqué de presse, Arzy décrit le principal défi comme la nécessité de comprendre la combinaison particulière de changements biologiques et cognitifs propre à chaque patient. Un profil plus complet pourrait réunir des évaluations cognitives et comportementales, des données d’imagerie, des biomarqueurs, des informations génétiques, des mesures moléculaires et des observations recueillies au fil du temps.

Cette intégration représente un défi de taille. Une image cérébrale, une mesure du risque génétique et un relevé de l’évolution des capacités dans la vie quotidienne décrivent chacun des aspects différents. Les réunir dans une même base de données serait un point de départ ; expliquer leurs liens est la tâche la plus difficile.

Comment fonctionnerait un modèle de modèles

Le cadre bayésien proposé commence par des modèles partiels portant sur certains aspects de la maladie. Chacun est transformé en un substitut probabiliste : une représentation des relations entre les entrées, les sorties et les paramètres pertinents. Une couche de couplage relie ensuite ces représentations au moyen de variables partagées, telles que le stade de la maladie ou son taux de progression.

En termes simples, cette approche donne un langage mathématique commun à des modèles qui, autrement, resteraient distincts. Un modèle d’imagerie et un modèle cognitif pourraient apporter des éléments à une même estimation de l’état d’un patient tout en conservant leurs structures propres. Les résultats visés comprennent des trajectoires individuelles, des sous-groupes de patients et des comparaisons entre les résultats prédits avec et sans intervention.

L’article prévoit également la possibilité de faire coexister différentes formulations et de les confronter aux données disponibles. Cela présente un intérêt dans un domaine où les chercheurs peuvent diverger sur les mécanismes les plus influents. Les effets d’une intervention modélisés resteraient toutefois des hypothèses à vérifier : modifier un paramètre dans une simulation ne prouve pas qu’un traitement sera bénéfique pour un patient.

Le défi informatique ne se limite pas à la détection de tendances

Pour les spécialistes de l’IA, la distinction intéressante est celle qui sépare la détection d’une corrélation de la construction d’une explication capable de résister à un examen rigoureux. Un système pourrait apprendre que deux mesures évoluent de concert sans montrer si modifier l’une améliorerait l’autre. Un traitement personnalisé exige bien davantage qu’une prédiction convaincante.

La proposition de métamodélisation accorde donc une importance particulière au lien entre les données disponibles et les hypothèses. Si un modèle constitutif n’est pas fiable, le relier à d’autres modèles ne le rend pas automatiquement plus fiable. Un système plus complexe peut produire une erreur tout aussi complexe, à moins que les chercheurs n’évaluent soigneusement ses composants et ses prédictions combinées.

Ce travail témoigne également du caractère interdisciplinaire du groupe de recherche de la Hebrew University. La présentation de l’équipe par l’université indique qu’elle réunit des neuroscientifiques, des cliniciens et des informaticiens qui étudient les relations entre les personnes et leur environnement, en s’intéressant particulièrement à la maladie d’Alzheimer. Cette perspective aide à comprendre pourquoi la proposition accorde une place à l’expérience cognitive quotidienne aux côtés des mesures biologiques.

Ce que cela pourrait changer pour la recherche et les essais cliniques

S’il était développé et validé avec succès, un modèle intégré pourrait aider les chercheurs à repérer les patients dont la maladie est déterminée par des combinaisons similaires de processus. Cela pourrait permettre de constituer des groupes plus précis dans les essais cliniques et aider les chercheurs à déterminer quels mécanismes cibler chez quels participants.

Il pourrait aussi permettre d’étudier l’évolution de la maladie de manière plus individualisée. Au lieu de se demander uniquement comment évolue un patient moyen, les chercheurs pourraient examiner comment les symptômes, les biomarqueurs et les facteurs de risque d’une personne donnée évoluent conjointement. Le suivi des patients au fil du temps permettrait de comparer les prévisions à ce qui se passe réellement.

L’université décrit une autre utilisation potentielle : comparer des trajectoires simulées avec et sans intervention. De telles comparaisons pourraient aider à établir des priorités parmi les questions de recherche avant d’entreprendre des études coûteuses. Elles devraient être interprétées comme des estimations fondées sur des modèles, dont l’incertitude et les hypothèses sont explicitées, et non comme des preuves de l’efficacité d’une intervention.

Un programme de recherche qui reste à concrétiser

La proposition des auteurs repose sur des ensembles de données plus vastes et plus diversifiés, des validations répétées et une collaboration à l’échelle de la communauté de recherche sur la maladie d’Alzheimer. Ces exigences sont au cœur de cette idée. Un profil détaillé du patient n’est utile que si les informations qui l’alimentent sont fiables et si ses prédictions restent valables au-delà des personnes et des ensembles de données utilisés pour le construire.

La question pratique de la valeur ajoutée par cette complexité se pose également. Les chercheurs devraient démontrer que la combinaison de modèles améliore suffisamment une tâche importante, comme la prévision de l’évolution de la maladie ou l’identification d’un sous-groupe de patients pertinent, pour justifier le travail supplémentaire de collecte de données et de modélisation.

La contribution immédiate est un cadre permettant de relier les travaux de recherche, et non un produit clinique. La promesse est que le calcul pourrait aider à expliquer les différences entre les patients, au lieu de laisser inexpliquées les variations qu’une seule étiquette diagnostique ne permet pas de résoudre. La question de savoir si cela aboutira à de meilleures décisions dépendra des éléments de preuve réunis à l’appui de cette approche.