De nouvelles recherches ont utilisé un algorithme d’apprentissage automatique (Machine Learning) spécialement conçu pour identifier des combinaisons uniques de métabolites qui pourraient permettre de détecter la maladie de Parkinson à un stade précoce.
La maladie de Parkinson (MP) se développe plus rapidement que toute autre maladie neurologique, d’où l’importance d’un dépistage précoce. Des chercheurs ont mis au point un nouvel outil d’apprentissage automatique qui semble prometteur pour la détection précoce de la maladie.
La MP est généralement diagnostiquée lorsqu’une personne présente les symptômes traditionnels : ralentissement des mouvements, tremblements, troubles de l’équilibre et de la coordination et rigidité musculaire.
Mais l’apparition de symptômes atypiques tels que la fatigue, les troubles du sommeil, les problèmes vésicaux ou intestinaux, la dépression et/ou l’anxiété et la perte d’odorat peut précéder de plusieurs années les symptômes traditionnels de la MP. Une méthode fiable d’analyse des biomarqueurs permettant un diagnostic précoce de la MP au lieu d’attendre l’apparition des symptômes traditionnels signifierait que le traitement de la maladie pourrait commencer plus tôt.
Aujourd’hui, des chercheurs de l’université de Nouvelle-Galles du Sud à Sydney, en collaboration avec l’université de Boston, ont exploité la puissance de l’apprentissage automatique pour mettre au point un outil qui semble prometteur en tant que détecteur précoce de la MP.
L’apprentissage automatique est largement utilisé pour développer des modèles précis de prédiction des maladies. Les méthodes avancées d’apprentissage automatique, comme les réseaux neuronaux, permettent de traiter de grandes quantités de données. Toutefois, pour être efficace, l’algorithme d’apprentissage automatique doit être enseigné à l’aide de données qui ne sont pas « bruyantes ». La métabolomique, l’étude à grande échelle des métabolites, peut être problématique à cet égard.
De nombreux métabolites – sous-produits créés lorsque l’organisme décompose des aliments, des médicaments et des produits chimiques – sont en corrélation avec d’autres métabolites, dont certains ne contribuent pas de manière significative à la prédiction des maladies.
C’est pourquoi les chercheurs ont mis au point un nouvel outil d’apprentissage automatique, le CRANK-MS (Classification and Ranking Analysis using Neural network generates Knowledge from Mass Spectrometry ou Analyse de classification et de classement à l’aide d’un réseau neuronal générant des connaissances à partir de la spectrométrie de masse).
« Pour déterminer quels métabolites sont plus importants pour la maladie que pour les groupes de contrôle, les chercheurs examinent généralement les corrélations impliquant des molécules spécifiques », explique J. Diana Zhang, auteur principal de l’étude. « Mais ici, nous prenons en compte le fait que les métabolites peuvent avoir des associations avec d’autres métabolites – et c’est là que l’apprentissage automatique entre en jeu. Avec des centaines ou des milliers de métabolites, nous avons utilisé la puissance de calcul pour comprendre ce qui se passe.
Les chercheurs ont obtenu des données métabolomiques de l’étude espagnole EPIC (European Prospective Investigation into Cancer and Nutrition), portant sur 39 patients ayant développé une MP, et les ont passées au crible de la CRANK-MS. Après avoir comparé les patients atteints de la MP à des patients sains, les chercheurs ont pu identifier des combinaisons métaboliques uniques qui pourraient être des signes précurseurs de la maladie.
L’intérêt de l’utilisation de CRANK-MS est que les chercheurs ont pu utiliser des données non altérées, ce qui a simplifié le processus.
« Généralement, les chercheurs qui utilisent l’apprentissage automatique pour examiner les corrélations entre les métabolites et les maladies réduisent d’abord le nombre de caractéristiques chimiques avant de les introduire dans l’algorithme », explique William Donald, auteur correspondant de l’étude. « Mais ici, nous introduisons toutes les informations dans le CRANK-MS sans aucune réduction des données dès le départ. À partir de là, nous pouvons obtenir la prédiction du modèle et identifier les métabolites qui influencent le plus la prédiction, le tout en une seule étape. Cela signifie que s’il y a des métabolites qui auraient pu être manqués en utilisant des approches conventionnelles, nous pouvons maintenant les repérer ».
Bien que le CRANK-MS ait été capable d’analyser les métabolites indicatifs de la maladie de Parkinson avec une précision allant jusqu’à 96 %, les chercheurs comprennent que la petite taille de l’échantillon de l’étude signifie que d’autres études sont nécessaires.
Les chercheurs estiment qu’à l’avenir, le CRANK-MS pourrait être utilisé dès l’apparition de symptômes atypiques afin d’assurer un diagnostic précoce de la maladie de Parkinson ou de l’exclure. L’algorithme d’apprentissage automatique est accessible au public pour les chercheurs qui souhaiteraient l’utiliser.
« Nous avons construit le modèle de manière à ce qu’il soit adapté à l’objectif visé », a déclaré Diana Zhang. « L’application de CRANK-MS à la détection de la maladie de Parkinson n’est qu’un exemple de la manière dont l’IA peut améliorer la façon dont nous diagnostiquons et surveillons les maladies. Ce qui est passionnant, c’est que le CRANK-MS peut être facilement appliqué à d’autres maladies pour identifier de nouveaux biomarqueurs d’intérêt ».
