L’apprentissage profond utilisé pour trouver des gènes liés aux maladies

Une nouvelle étude menée par des chercheurs de l’Université de Linköping démontre comment un réseau de neurones artificiels (RNA) peut révéler de grandes quantités de données d’expression de gènes et peut conduire à la découverte de groupes de gènes liés aux maladies. L’étude a été publiée dans Nature Communications, et les scientifiques veulent que la méthode soit appliquée dans la médecine de précision et le traitement individualisé.

Les scientifiques sont actuellement en train de développer des cartes de réseaux biologiques basées sur la façon dont les protéines ou les gènes interagissent les uns avec les autres. La nouvelle étude implique l’utilisation de l’intelligence artificielle (IA) pour découvrir si les réseaux biologiques peuvent être découverts à l’aide de l’apprentissage profond. Les réseaux de neurones artificiels, qui sont formés par des données expérimentales au cours de l’apprentissage profond, sont capables de trouver des modèles dans de grandes quantités de données complexes. En raison de cela, ils sont souvent utilisés dans des applications telles que la reconnaissance d’images. Même avec son potentiel apparemment énorme, l’utilisation de cette méthode d’apprentissage automatique a été limitée dans la recherche biologique.

Sanjiv Dwivedi est un postdoctorant au Département de physique, de chimie et de biologie (IFM) de l’Université de Linköping.

« Nous avons pour la première fois utilisé l’apprentissage profond pour trouver des gènes liés aux maladies. Il s’agit d’une méthode très puissante pour analyser de grandes quantités d’informations biologiques, ou « big data » », déclare Dwivedi.

Les scientifiques ont reposé sur une grande base de données contenant des informations sur les modèles d’expression de 20 000 gènes chez un grand nombre de personnes. Le réseau de neurones artificiels n’a pas été informé des modèles d’expression de gènes provenant de personnes malades ou de personnes en bonne santé. Le modèle d’IA a ensuite été formé pour trouver des modèles d’expression de gènes.

L’un des mystères entourant l’apprentissage automatique est qu’il est actuellement impossible de voir comment un réseau de neurones artificiels aboutit à son résultat final. Il n’est possible de voir que les informations qui entrent et les informations qui sont produites, mais tout ce qui se passe entre les deux consiste en plusieurs couches d’informations traitées mathématiquement. Les mécanismes internes d’un réseau de neurones artificiels ne sont pas encore déchiffrables. Les scientifiques voulaient savoir s’il y avait des similitudes entre les conceptions du réseau de neurones et les réseaux biologiques familiers.

Mike Gustafsson est un maître de conférences à l’IFM et dirige l’étude.

« Lorsque nous avons analysé notre réseau de neurones, il s’est avéré que la première couche cachée représentait dans une large mesure les interactions entre les différentes protéines. Plus profondément dans le modèle, à la troisième étape, nous avons trouvé des groupes de différents types de cellules. Il est extrêmement intéressant que ce type de regroupement biologiquement pertinent soit produit automatiquement, étant donné que notre réseau a démarré à partir de données d’expression de gènes non classées », déclare Gustafsson.

Les scientifiques ont ensuite voulu savoir si leur modèle d’expression de gènes était capable d’être utilisé pour déterminer quels modèles d’expression de gènes sont associés à des maladies et lesquels sont normaux. Ils ont pu confirmer que le modèle peut découvrir des modèles relatifs qui sont en accord avec les mécanismes biologiques du corps. Une autre découverte a été que le réseau de neurones artificiels pourrait potentiellement découvrir de nouveaux modèles puisqu’il a été formé avec des données non classées. Les chercheurs vont maintenant étudier les modèles inconnus précédemment et leur pertinence dans la biologie.

« Nous croyons que la clé du progrès dans le domaine est de comprendre le réseau de neurones. Cela peut nous apprendre de nouvelles choses sur les contextes biologiques, tels que les maladies dans lesquelles de nombreux facteurs interagissent. Et nous croyons que notre méthode donne des modèles qui sont plus faciles à généraliser et qui peuvent être utilisés pour de nombreux types d’informations biologiques », déclare Gustafsson.

Grâce à des collaborations avec des chercheurs médicaux, Gustafsson espère appliquer la méthode dans la médecine de précision. Cela pourrait aider à déterminer quels types spécifiques de médicaments les patients devraient recevoir.

L’étude a été financée par la Fondation suédoise pour la recherche stratégique (SSF) et le Conseil de recherche suédois.