Une nouvelle IA permet de découvrir des modèles cachés dans les graphes de connaissances biomédicales
L'IA interprétable relie les gènes, les maladies et les médicaments
Une nouvelle méthode d'intelligence artificielle (IA) appelée BioPathNet aide les chercheurs à rechercher systématiquement des connexions cachées dans de vastes réseaux de données biologiques, qu'il s'agisse de fonctions génétiques, de mécanismes pathologiques ou d'approches thérapeutiques potentielles. BioPathNet a été mis au point par des équipes du Helmholtz Munich et du Mila - Institut québécois d'intelligence artificielle, à Montréal (Canada). Les chercheurs présentent leur méthode dans la revue Nature Biomedical Engineering.
L'IA interprétable relie les gènes, les maladies et les médicaments
Les "graphes de connaissances" biomédicaux sont des cartes structurées qui relient les gènes, les protéines, les maladies, les médicaments et les processus biologiques, en saisissant leurs relations pour aider les humains et l'IA à comprendre la biologie et la médecine de manière systématique. Toutefois, ces réseaux restent incomplets : de nombreuses relations que les chercheurs s'attendent à voir exister n'ont pas encore été documentées.
BioPathNet est une méthode d'IA permettant d'analyser ces graphes de connaissances biomédicales. Contrairement à de nombreuses approches existantes, elle ne se contente pas d'examiner des points de données individuels, mais des chaînes entières de relations - par exemple d'un gène à une maladie, en passant par une voie de signalisation, jusqu'à un médicament potentiel. "À partir de milliers de ces schémas, le modèle apprend quelles sont les nouvelles connexions biologiquement plausibles", explique Emy Yue Hu, premier auteur de l'étude et doctorant à l'Institut de biologie computationnelle (ICB) du Helmholtz de Munich. "Sur cette base, BioPathNet propose des hypothèses que nous pouvons ensuite tester en laboratoire ou dans le cadre d'études cliniques". L'un des principaux avantages de BioPathNet est que ses prédictions sont interprétables : pour chaque suggestion, le modèle peut retracer les chemins du graphe de connaissances qui ont conduit à cette prédiction.
Transformer les points de données en hypothèses testables
Lors de tests approfondis, l'équipe dirigée par le Dr Annalisa Marsico, chef de groupe à l'ICB et chercheur principal du projet, a appliqué BioPathNet à un large éventail de tâches : prédire les fonctions des gènes, découvrir les relations entre les maladies, identifier des cibles potentielles pour la thérapie du cancer et suggérer de nouvelles indications pour des médicaments existants. Pour des maladies complexes telles que la leucémie, le cancer gastrique et la maladie d'Alzheimer, BioPathNet a non seulement redécouvert des thérapies connues, mais a également mis en évidence des composés qui font déjà l'objet d'essais cliniques. "Il était essentiel pour nous de ne pas construire un autre modèle à boîte noire", souligne M. Marsico. "Pour chaque prédiction, nous pouvons inspecter les chemins les plus importants du graphe et discuter avec des experts du domaine pour savoir s'ils ont un sens biologique."
BioPathNet n'est donc pas un moteur de recommandation automatique de thérapies, mais un outil de génération d'hypothèses : la qualité de ses suggestions dépend des données sous-jacentes, et chaque connexion prédite doit être validée expérimentalement ou cliniquement. À long terme, les chercheurs considèrent cette méthode comme un élément constitutif des modèles de base pour les graphes de connaissances biomédicales qui peuvent être affinés pour de nombreuses tâches différentes - de la réadaptation des médicaments et de la dissection des mécanismes de la maladie à des applications au-delà de la médecine. "Notre objectif n'est pas d'obtenir un remède miracle grâce à l'IA", précise M. Marsico. "Nous voulons un outil qui nous aide à mieux utiliser les réseaux de données biomédicales existants et à trouver de nouvelles idées d'expériences et de thérapies.
Un pont entre les disciplines pour construire BioPathNet
L'idée de BioPathNet est apparue lors d'un séjour de recherche d'Emy Yue Hu à Mila. Elle avait initialement prévu d'y travailler sur un projet relatif à la pollution de l'air, mais les données disponibles se sont avérées inadaptées. Avec ses superviseurs, elle a cherché une nouvelle question de recherche axée sur les données - et a découvert les grands graphes de connaissances biomédicales, qui contiennent déjà une grande quantité d'informations éparses sur les gènes, les maladies et les thérapies. L'expertise de l'équipe de Mila en matière d'apprentissage automatique a été cruciale pour le développement des algorithmes sous-jacents à BioPathNet, qui est construit sur le cadre du réseau neuronal graphique NBFNet, garantissant à la fois la puissance prédictive et l'interprétabilité. "BioPathNet n'a été possible que grâce à l'interdisciplinarité de l'équipe", explique M. Hu. "Des experts en biologie informatique, en mathématiques, en biophysique et en informatique ont travaillé en étroite collaboration sur les sites de Montréal et de Munich. En tant qu'outil à code source ouvert, BioPathNet est désormais à la disposition des chercheurs du monde entier pour explorer les mécanismes biomédicaux.
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Autres actualités du département science
