Un nouvel outil améliore la prédiction des risques génétiques dans les maladies

Les maladies humaines complexes sont souvent influencées par plein de gènes, avec de petites modifs dans chaque gène qui s'additionnent pour affecter le risque qu'une personne développe une maladie. Pour mesurer ce risque génétique, les scientifiques utilisent un outil appelé Scores de Risque Polygénique (PRS). Les PRS aident à comprendre à quel point une personne est susceptible de développer certains traits ou maladies en fonction de son patrimoine génétique. Cette info peut mener à des traitements plus ciblés et à une médecine personnalisée, permettant aux prestataires de soins de donner aux individus les soins les plus efficaces.

#Comment fonctionnent les scores de risque polygénique

Les scores de risque polygénique utilisent des données d'Études d'association à l'échelle du génome (GWAS) pour déterminer quels variants génétiques sont liés aux maladies. Les GWAS cherchent des polymorphismes de nucléotides simples (SNPs) – de minuscules changements dans l'ADN – qui sont plus fréquents chez les gens ayant une maladie comparé à ceux qui ne l’ont pas. Cependant, ces SNPs ont généralement un petit impact sur le risque de maladie pris isolément, ce qui limite leur capacité à prédire le risque global d'une personne.

Pour améliorer les prédictions, les chercheurs ont développé plusieurs méthodes pour combiner les effets des différents SNPs. Une méthode courante s'appelle le clumping et thresholding (C+T), qui compte combien d’allèles de risque une personne a tout en attribuant à chaque allèle un poids en fonction de sa taille d’effet. Des méthodes plus avancées, comme LDpred, utilisent des Modèles Statistiques pour obtenir une meilleure idée de la façon dont ces variants génétiques interagissent entre eux.

Malgré ces avancées, beaucoup de méthodes ont encore du mal à capturer des relations plus complexes entre les gènes et les maladies. Certaines approches plus récentes, comme les méthodes basées sur des arbres et l'apprentissage profond, essaient de capturer ces interactions, mais elles n'utilisent souvent qu'un nombre limité de variants génétiques et peuvent ne pas intégrer totalement les connaissances biologiques.

#Présentation de PRS-Net

Pour relever ces défis, les chercheurs ont développé PRS-Net, un nouvel outil qui utilise l'apprentissage profond géométrique pour mieux comprendre les relations entre les gènes dans la prédiction du risque de maladie. PRS-Net commence avec les données résumées des GWAS, cartographiant cette info sur un réseau d'interaction gène-gène (GGI). En faisant cela, ça aide à visualiser comment les gènes interagissent et fonctionnent ensemble, plutôt que de simplement les regarder isolément.

À travers un processus appelé passage de message, PRS-Net utilise un réseau de neurones graphiques pour mettre à jour continuellement l'information sur chaque gène tout en tenant compte de ses voisins dans le réseau. Cela lui permet de capturer efficacement des interactions complexes entre les gènes. L'outil inclut aussi un module spécial qui aide à interpréter les prédictions qu'il fait, rendant les résultats plus clairs pour les chercheurs et les prestataires de soins.

#Évaluation de PRS-Net

Les chercheurs ont testé PRS-Net sur six maladies complexes : la maladie d'Alzheimer, la fibrillation auriculaire, l'arthrite rhumatoïde, la sclérose en plaques, la colite ulcéreuse et l'asthme. Les résultats ont montré que PRS-Net surpassait constamment les méthodes existantes, améliorant la précision des prédictions jusqu'à 3,7 %. Cette amélioration suggère que PRS-Net est mieux capable de capturer la nature complexe des facteurs génétiques impliqués dans ces maladies.

Une découverte notable a été la forte capacité prédictive de PRS-Net pour les maladies auto-immunes, soulignant la nature complexe des interactions génétiques dans ces conditions. En identifiant les groupes à haut et bas risque pour ces maladies, PRS-Net peut aider à orienter les mesures préventives et les stratégies de traitement.

#Comment PRS-Net fonctionne : étape par étape

1. Création d'un réseau d'interaction gène-gène : La première étape consiste à construire un réseau basé sur les interactions entre les gènes. Ce réseau prend en compte comment les gènes influencent l'activité des autres, contribuant au risque de maladie.

2. Calcul des scores de risque polygénique au niveau des gènes : Après avoir établi le réseau, PRS-Net calcule les PRS pour chaque gène, en tenant compte des variants génétiques environnants. Cette étape aide à identifier les gènes qui pourraient avoir un plus grand impact sur le risque de maladie.

3. Utilisation des Réseaux de neurones graphiques : PRS-Net utilise un réseau de neurones graphiques pour analyser les données. Le réseau met à jour les informations génétiques de manière itérative, aidant à capturer les relations entre les gènes.

4. Faire des prédictions : Enfin, le modèle prédit le risque de maladie en fonction des insights obtenus du réseau GGI. Il inclut aussi des mécanismes qui permettent aux chercheurs d'interpréter ces prédictions plus clairement.

#Insights sur la maladie d'Alzheimer et la sclérose en plaques

En plus de prédire le risque de maladie, PRS-Net peut identifier des gènes spécifiques et des interactions qui jouent des rôles significatifs dans des maladies comme la maladie d'Alzheimer et la sclérose en plaques. Pour la maladie d'Alzheimer, PRS-Net a mis en avant des gènes connus pour influencer le risque de la maladie. Par exemple, l'APOE a été identifié comme un facteur de risque critique, cohérent avec des recherches antérieures. Cette capacité permet aux chercheurs d'approfondir leur compréhension des facteurs génétiques menant à ces maladies.

De même, PRS-Net a été utilisé pour découvrir des gènes liés à la sclérose en plaques, révélant de nombreux chemins liés à l'immunité. Beaucoup de ces découvertes s'alignent avec les connaissances établies sur les influences génétiques de ces maladies, réaffirmant l'efficacité de l'outil pour découvrir des relations génétiques critiques.

#L'importance de la validation

Pour s'assurer de la fiabilité de PRS-Net, les chercheurs ont réalisé plusieurs tests pour comparer ses performances à d'autres méthodes. Les résultats ont montré que PRS-Net non seulement surpasse les méthodes traditionnelles, mais fournit aussi de meilleures insights sur les facteurs génétiques et leurs interactions.

#Exploration de plusieurs ensembles de données d'ascendance

Les chercheurs ont aussi examiné les performances de PRS-Net avec des données d'ascendance mixte, démontrant sa polyvalence. L'outil a montré qu'il maintenait un pouvoir prédictif à travers différentes populations, prouvant qu'il peut effectivement prendre en compte la diversité génétique.

#Conclusion

PRS-Net représente une avancée significative dans la compréhension des bases génétiques des maladies complexes. En capturant des interactions géniques complexes et en améliorant la précision des prédictions, cet outil a le potentiel d'améliorer l'évaluation des risques et les stratégies de traitement en santé. À mesure que la recherche progresse, des outils comme PRS-Net pourraient mener à des changements transformateurs dans notre approche des maladies génétiques, facilitant des interventions plus précoces et des soins plus personnalisés pour les patients.