Les biophysiciens de la Northwestern University ont développé un nouvel outil de calcul pour identifier les combinaisons de gènes sous-jacentes à des maladies complexes comme le diabète, le cancer et l'asthme. Contrairement aux troubles du gène unique, ces conditions sont influencées par un réseau de plusieurs gènes travaillant ensemble. Mais le grand nombre de combinaisons de gènes possibles est énorme, ce qui rend incroyablement difficile pour les chercheurs de déterminer les spécifiques qui provoquent une maladie.
En utilisant un modèle générateur d'intelligence artificielle (IA), la nouvelle méthode amplifie les données d'expression des gènes limitées, permettant aux chercheurs de résoudre les modèles d'activité génique qui provoquent des traits complexes. Ces informations pourraient conduire à des traitements de la maladie nouveaux et plus efficaces impliquant des cibles moléculaires associées à plusieurs gènes. De nombreuses maladies sont déterminées par une combinaison de gènes – pas seulement un. Vous pouvez comparer une maladie comme le cancer à un accident d'avion. Dans la plupart des cas, les échecs multiples doivent se produire pour qu'un avion s'écrase, et différentes combinaisons d'échecs peuvent conduire à des résultats similaires. Cela complique la tâche de pincer les causes. Notre modèle aide à simplifier les choses en identifiant les acteurs clés et leur influence collective.
Pendant des décennies, les chercheurs ont eu du mal à démêler les fondements génétiques de traits et de maladies humaines complexes. Même les traits non maladie comme la hauteur, l'intelligence et la couleur des cheveux dépendent des collections de gènes. Les méthodes existantes, telles que les études d'association à l'échelle du génome, essaient de trouver des gènes individuels liés à un trait. Mais ils n'ont pas le pouvoir statistique pour détecter les effets collectifs des groupes de gènes. « Le projet du génome humain nous a montré que nous n'avons que six fois plus de gènes qu'une bactérie monocellulaire », a déclaré Motter. « Mais les humains sont beaucoup plus sophistiqués que les bactéries, et le nombre de gènes seuls n'explique pas cela. Cela met en évidence la prévalence des relations multigéniques, et ce doit être les interactions entre les gènes qui donnent lieu à une vie complexe ».
« L'identification des gènes uniques est toujours précieux », a ajouté Wytock. « Mais il n'y a qu'une très petite fraction de traits observables, ou phénotypes, qui peuvent s'expliquer par des changements dans les gènes uniques. Au lieu de cela, nous savons que les phénotypes sont le résultat de nombreux gènes travaillant ensemble. Il est donc logique que plusieurs gènes contribuent généralement à la variation d'un trait ». Pour aider à combler l'écart de connaissances de longue date entre la composition génétique (génotype) et les traits observables (phénotype), l'équipe de recherche a développé une approche sophistiquée qui combine l'apprentissage automatique avec l'optimisation.
Appelée l'autocodeur variationnel conditionnel à l'échelle du transcriptome (TWAVE), le modèle exploite l'IA générative pour identifier les modèles à partir de données d'expression génique limitées chez l'homme. En conséquence, il peut imiter les états malades et sains afin que les changements dans l'expression des gènes puissent être appariés à des changements de phénotype. Au lieu d'examiner les effets des gènes individuels isolément, le modèle identifie des groupes de gènes qui provoquent collectivement un trait complexe. « Nous ne regardons pas la séquence de gènes mais l'expression des gènes », a déclaré Wytock. « Nous avons formé notre modèle sur les données des essais cliniques, nous savons donc quels profils d'expression sont sains ou malades. Pour un plus petit nombre de gènes, nous avons également des données expérimentales qui indiquent comment le réseau réagit lorsque le gène est activé ou désactivé, que nous pouvons faire correspondre les données d'expression pour trouver les gènes impliqués dans la maladie ». Pour démontrer l'efficacité de Twave, l'équipe l'a testée sur plusieurs maladies complexes. La méthode a identifié avec succès les gènes – dont certains ont été manqués par les méthodes existantes – qui ont causé ces maladies. Twave a également révélé que différents ensembles de gènes peuvent provoquer la même maladie complexe chez différentes personnes.
NorthWestern : https://news.northwestern.edu/stories/2025/06/ai-identifies-key-gene-sets-that-cause-complex-disease/
