Titre : | Myosites : des algorithmes pour mieux diagnostiquer et comprendre |
Auteurs : | S Marion, Auteur |
Type de document : | Brève |
Année de publication : | 30/07/2020 |
Langues: | Français |
Mots-clés : | diagnostic ; myopathie inflammatoire idiopathique |
Lien associé : |
Lien vers la Brève du site AFM-Téléthon Lien vers la Brève du site Institut de Myologie |
Texte intégral : |
Grâce à l’intelligence artificielle, des chercheurs montrent qu’à chaque type de myosite correspond une expression musculaire particulière de certains gènes, indicateurs de mécanismes spécifiques. Le « machine learning » ou apprentissage automatique consiste à améliorer la capacité d’un ordinateur à résoudre une tâche en lui soumettant des données en masse sur lesquelles s’entrainer. Cette tâche peut consister à reconnaitre une personne, à déplacer sans heurt une voiture autonome ou encore à identifier une image anormale sur une radiographie des poumons. Une équipe hispano-américaine s’est servie de cette technologie d’intelligence artificielle pour identifier les gènes qui s’expriment de façon préférentielle dans des prélèvements (biopsies) de muscles touchés par différents types de myosites. Leur étude a inclus 119 personnes atteintes de dermatomyosite, de myopathie nécrosante auto-immune, de syndrome des antisynthétases ou de myosite à inclusions, comparées à 20 personnes indemnes de ces maladies. À profil différents... Les quatre types de myosites se distinguent les unes des autres par un profil unique d’expression de gènes sur les biopsies musculaires. Par exemple, les gènes CAMK1G, EGR et CXCL8 sont fortement exprimés dans le syndrome des antisynthétases, mais pas en cas de dermatomyosite, or ces deux maladies peuvent être impossibles à différencier sur le seul examen des biopsies au microscope (histologie). De même, l’histologie de la myopathie nécrosante auto-immune avec auto-anticorps anti-SRP et celle de la myopathie nécrosante auto-immune avec anti-HMGCR sont identiques, mais la seconde se distingue de la première par l’expression, spécifique, du gène APOA4. In fine, les algorithmes d’apprentissage automatique sont parvenus à classer les biopsies musculaires par type de myosites, en fonction des gènes exprimés, avec une précision supérieure à 90%. Celle-ci atteint 92% dans la dermatomyosite, une maladie où l’analyse histologique de la biopsie ne retrouve des lésions caractéristiques (atrophie périfasciculaire) que dans 72% des cas. ... mécanismes spécifiques Si les myosites ne sont pas des maladies génétiques, l’expression musculaire inhabituelle de tel ou tel gène dans un type de myosite donné traduit l’activation de telle ou telle cascade de réactions biochimiques (voie de signalisation), impliquée dans la genèse de la maladie. • Cette étude a ainsi confirmé le rôle de l’interféron de type 1 dans la dermatomyosite, une maladie où les gènes qui se sont révélés être les plus fortement exprimés sont pour la plupart stimulés par l’interféron 1 (gènes ISG15, MX1…). • Quant à APOA4, il est impliqué dans le métabolisme du cholestérol. Or ce gène n’est exprimé que dans la myopathie nécrosante auto-immune avec auto-anticorps anti-HMGCR, laquelle peut être provoquée par la prise d’un médicament de la famille des statines, utilisé pour faire baisser le taux de cholestérol. ----------------------------------------------------------------------------------------------------------------- L’IA au service du diagnostic et de la compréhension des myosites idiopathiques. Le machine learning, ou apprentissage automatique, dévoile peu à peu son potentiel dans les maladies neuromusculaires. Une équipe hispano-américaine a récemment utilisé cette technologie d’intelligence artificielle pour caractériser dans les biopsies musculaires le profil d’expression génique spécifique à chaque type de myopathies inflammatoires. L’étude a inclus 49 patients atteints de myopathie nécrosante auto-immune, 39 de dermatomyosite, 8 de syndrome des antisynthétases et 13 de myosite à inclusions sporadique. Leurs biopsies musculaires ont été comparées à celles de 20 sujets contrôle. Différents algorithmes d’apprentissage automatique ont été entrainés sur des données de séquençage ARN, avec pour résultats : Le texte de cette Brève AIM est complet sur le document numérique attaché à cette notice |
Voir aussi : |
Documents numériques (1)
B_Myopathies inflammatoires_Biopsie machine learning Adobe Acrobat PDF |