Les graphes de connaissances sont un outil puissant pour rassembler les informations provenant des bases de données biologiques et lier ce qui est déjà connu sur les gènes, les maladies, les traitements, les voies moléculaires et les symptômes dans un réseau structuré. Jusqu’à présent, ils manquaient d’informations détaillées, au niveau individuel, sur l’apparence et le fonctionnement réel de l’organe affecté.
Les dernières recherches, dirigées par le chercheur postdoctoral Dr Khaled Rjoob et le chef de groupe, le professeur Declan O’Regan, du Groupe d’imagerie cardiaque computationnelle au Laboratoire des sciences médicales du MRC, ont fait progresser cette technologie en ajoutant pour la première fois des données d’imagerie à un graphe de connaissances. CardioKG offre une vue détaillée de la structure et de la fonction du cœur, ce qui améliore considérablement la précision de la prédiction des gènes liés aux maladies et de la possibilité que des médicaments existants puissent les traiter.
Capturer la variation cardiaque
Pour construire CardioKG, l’équipe a utilisé des données d’imagerie cardiaque de 4 280 participants de la UK Biobank atteints de fibrillation auriculaire, d’insuffisance cardiaque ou de crise cardiaque, ainsi que de 5 304 participants sains, capturant ainsi la variation de la structure et de la fonction du cœur. Au total, plus de 200 000 caractéristiques basées sur l’image ont été générées et utilisées pour entraîner le modèle. L’équipe les a intégrées à des données provenant de 18 bases de données biologiques diverses et a utilisé l’intelligence artificielle (IA) pour prédire les associations gènes-maladies et les opportunités de repositionnement de médicaments.
« L’un des avantages des graphes de connaissances est qu’ils intègrent des informations sur les gènes, les médicaments et les maladies », explique Declan, « cela signifie que vous avez plus de pouvoir pour faire des découvertes sur de nouvelles thérapies. Nous avons constaté que l’inclusion de l’imagerie cardiaque dans le graphe a transformé la façon dont les nouveaux gènes et médicaments peuvent être identifiés. »
Prédire de nouvelles opportunités médicamenteuses
Le modèle a identifié une liste de nouveaux gènes associés à des maladies et a prédit deux médicaments pour traiter les affections cardiaques ; le méthotrexate, un médicament contre la polyarthrite rhumatoïde, pourrait améliorer l’insuffisance cardiaque, et les gliptines, utilisées pour traiter le diabète, pourraient être bénéfiques contre la fibrillation auriculaire. L’équipe a également fait une découverte surprenante : la caféine, qui rend le cœur plus excitable, a un effet protecteur chez les patients atteints de fibrillation auriculaire et ayant un pouls irrégulier et rapide.
« Ce qui est passionnant, c’est qu’il existe d’autres études récentes dans le domaine qui confirment nos résultats préliminaires », ajoute-t-il, « cela souligne l’énorme potentiel des graphes de connaissances pour découvrir des médicaments existants qui pourraient être repositionnés comme nouveaux traitements. »
Newsletter Enerzine
Recevez les meilleurs articles
Énergie, environnement, innovation, science : l’essentiel directement dans votre boîte mail.
Étendre la technologie à d’autres organes
CardioKG offre une technologie de preuve de concept qui peut s’étendre bien au-delà du cœur. Les chercheurs pourraient désormais développer des graphes de connaissances intégrant des données d’imagerie chaque fois qu’une imagerie d’organe existe, ce qui signifie que la même approche pourrait être appliquée aux scanners cérébraux, à l’imagerie de la graisse corporelle, ou à d’autres organes et tissus pour explorer de nouvelles possibilités thérapeutiques dans des domaines tels que la démence ou l’obésité.
La capacité de ces graphes de connaissances à générer avec précision et rapidité des listes de gènes à haute priorité pour une série de maladies fournirait aux entreprises pharmaceutiques un point de départ précieux en mettant en lumière des cibles biologiques qu’elles peuvent explorer, valider et potentiellement développer en nouvelles thérapies bien plus efficacement que les méthodes de découverte traditionnelles.
« En nous appuyant sur ce travail, nous étendrons le graphe de connaissances en un cadre dynamique centré sur le patient qui capture les trajectoires réelles des maladies », précise Khaled, « Cela ouvrira de nouvelles possibilités pour un traitement personnalisé et la prédiction du moment où les maladies sont susceptibles de se développer. »
Article : A multi-modal vision knowledge graph of cardiovascular disease – Journal : Nature
Source : MRC
