La maladie de Parkinson est une maladie neurodégénérative courante et incurable qui est cliniquement hétérogène : différents mécanismes cellulaires sont susceptibles d'être à l'origine de la pathologie chez différents individus.
Jusqu’à présent, il n’était pas possible de définir le mécanisme cellulaire à l’origine des maladies neurodégénératives au cours de la vie. Aujourd'hui, des chercheurs du Francis Crick Institute et de l'UCL Queen Square Institute of Neurology, en collaboration avec la société technologique Faculté AI, ont montré que l'apprentissage automatique peut prédire avec précision les sous-types de la maladie de Parkinson à l'aide d'images de cellules souches dérivées de patients.
Leurs travaux, récemment publiés dans la revue Nature Machine Intelligence , ont montré que les modèles informatiques peuvent classer avec précision quatre sous-types de la maladie de Parkinson , dont l'un atteint une précision de 95 %. Cela pourrait ouvrir la voie à une médecine personnalisée et à la découverte ciblée de médicaments.
La maladie de Parkinson implique un mauvais repliement de protéines clés et un dysfonctionnement dans l'élimination des mitochondries défectueuses, la source de production d'énergie dans la cellule. La plupart des cas de maladie de Parkinson débutent de manière sporadique, mais certains peuvent être liés à des mutations génétiques.
technologie appliquée
Les chercheurs ont généré des cellules souches à partir de celles appartenant aux patients et ont créé chimiquement quatre sous-types différents de la maladie de Parkinson, deux impliquant des voies conduisant à l'accumulation toxique d'une protéine appelée α-synucléine et deux autres impliquant des voies conduisant à des mitochondries au repos. , pour créer un modèle « humain » de maladie cérébrale en laboratoire.
Ils ont ensuite photographié chacun d’eux dans des détails microscopiques et étiqueté les composants cellulaires clés, notamment les lysosomes, impliqués dans la dégradation des parties usées de la cellule. Les chercheurs ont formé un programme informatique pour reconnaître chaque sous-type, qui était ensuite capable de le prédire lorsqu'on lui présentait des images qu'il n'avait jamais vues auparavant.
Les mitochondries et les lysosomes étaient les caractéristiques les plus importantes pour prédire le sous-type correct, confirmant ainsi leur rôle dans le développement de la maladie de Parkinson, mais d'autres zones de la cellule, comme le noyau, étaient importantes, tout comme certains aspects des images que les scientifiques n'avaient pas encore. pu expliquer.
James Evans, doctorant à l'Institut Francis Crick et co-auteur avec Karishma D'Sa et Gurvir Virdi, tous deux du même centre, a déclaré : « Maintenant que nous utilisons des techniques d'imagerie plus avancées, nous générons de grandes quantités de de données, dont une grande partie est ignorée lorsque nous sélectionnons manuellement certaines caractéristiques intéressantes ».
« L'utilisation de l'IA dans cette étude nous a permis d'évaluer un plus grand nombre de caractéristiques cellulaires et d'évaluer l'importance de ces caractéristiques dans le discernement du sous-type de maladie. Grâce au deep learning, nous avons pu extraire beaucoup plus d’informations de nos images qu’avec l’analyse d’images conventionnelle. Nous espérons maintenant étendre cette approche pour comprendre comment ces mécanismes cellulaires contribuent à d'autres sous-types de la maladie de Parkinson », a déclaré le scientifique.
Sonia Gandhi, directrice adjointe de la recherche et chef de groupe au laboratoire de biologie de la neurodégénérescence de Crick, a déclaré : « Nous comprenons de nombreux processus qui causent la maladie de Parkinson dans le cerveau des gens. Mais tant qu'ils sont en vie, nous n'avons aucun moyen de savoir ce qui se passe et nous ne pouvons donc pas non plus leur administrer de traitements précis. Nous ne disposons actuellement pas de traitements permettant de faire une grande différence dans la progression de la maladie. En utilisant un modèle des propres neurones du patient et en le combinant avec un grand nombre d'images, nous avons généré un algorithme pour classer certains sous-types, une approche puissante qui pourrait ouvrir la porte à l'identification de sous-types de maladies au cours de la vie.
Il a ajouté : « En allant encore plus loin, notre plateforme nous permettrait de tester d'abord des médicaments sur des modèles de cellules souches et de prédire si les cellules cérébrales d'un patient répondraient probablement à un médicament, avant de s'inscrire à des essais cliniques. Nous espérons qu'un jour cela pourra conduire à des changements fondamentaux dans la manière dont nous dispensons une médecine personnalisée.
Le projet a été développé pendant la perturbation des recherches du laboratoire en raison de la pandémie : toute l'équipe a suivi un cours intensif de codage, a appris à travailler en Python et a développé des compétences qu'elle applique désormais aux projets en cours.
James Fleming, directeur de l'information de Crick, qui a travaillé avec l'IA de la faculté sur le projet, a déclaré : « L'IA est une technologie fascinante et puissante, mais qui devient souvent impénétrable. Cet article est le résultat d'un partenariat unique entre l'industrie et le corps professoral visant à voir si un groupe de novices en IA pouvait apprendre et appliquer les meilleures pratiques directement à leur science dans un laps de temps très court.
Le succès de ce projet a non seulement démontré qu'ils étaient capables, en ouvrant de nouvelles perspectives dans le processus, mais a également contribué à stimuler les investissements dans l'expansion rapide de notre propre équipe d'IA et d'ingénierie logicielle, qui compte plus de 25 projets en cours avec différents laboratoires de Crick, avec de nouvelles recherches démarrent chaque mois ».
Les prochaines étapes pour l'équipe consistent à comprendre les sous-types de maladie chez les personnes présentant d'autres mutations génétiques et à déterminer si les cas sporadiques de la maladie de Parkinson (c'est-à-dire sans mutations génétiques) peuvent être classés de la même manière. L'équipe de travail était complétée par Alejandro Adán, Ottavia Bertolli, James Fleming, Hojong Chang, Craig Leighton, Mathew H. Horrocks, Dilan Athauda, Minee L. Choi et Sonia Ghandi.
Continuer à lire: