De nouvelles recherches permettent une étape clé vers la médecine personnalisée : la modélisation des systèmes biologiques

La recherche OSU permet une étape clé vers la médecine personnalisée : la modélisation des systèmes biologiques

Brian D. Wood. Crédit : Johanna Carson, OSU

Une nouvelle étude de l’Oregon State University College of Engineering montre que les techniques d’apprentissage automatique peuvent offrir de nouveaux outils puissants pour faire progresser la médecine personnalisée, des soins qui optimisent les résultats pour les patients en fonction d’aspects uniques de leur biologie et des caractéristiques de leur maladie.

La recherche avec l’apprentissage automatique, une branche de l’intelligence artificielle dans laquelle les systèmes informatiques utilisent des algorithmes et des modèles statistiques pour rechercher des tendances dans les données, s’attaque à des problèmes insolubles depuis longtemps dans les systèmes biologiques au niveau cellulaire, a déclaré Brian D. Wood de l’Oregon State, qui a mené l’étude avec OSU Ph.D. l’étudiant Ehsan Taghizadeh et Helen M. Byrne de l’Université d’Oxford.

« Ces systèmes ont tendance à être très complexes, d’abord en raison du grand nombre de cellules individuelles et ensuite en raison de la manière hautement non linéaire dont les cellules peuvent se comporter », a déclaré Wood, professeur d’ingénierie environnementale. « Les systèmes non linéaires présentent un défi pour les méthodes de mise à l’échelle, qui est le principal moyen par lequel les chercheurs peuvent modéliser avec précision les systèmes biologiques à plus grande échelle qui sont souvent les plus pertinents. »

Un système linéaire en science ou en mathématiques signifie que tout changement apporté à l’entrée du système entraîne un changement proportionnel à la sortie ; une équation linéaire, par exemple, pourrait décrire une pente qui gagne 2 pieds verticalement pour chaque pied de distance horizontale.

Les systèmes non linéaires ne fonctionnent pas de cette façon, et de nombreux systèmes du monde, y compris les systèmes biologiques, sont non linéaires.

La nouvelle recherche, financée en partie par le département américain de l’Énergie et publiée dans le Journal de physique computationnelle, est l’un des premiers exemples d’utilisation de l’apprentissage automatique pour résoudre les problèmes de modélisation de systèmes non linéaires et comprendre les processus complexes qui pourraient se produire dans les tissus humains, a déclaré Wood.

« L’avènement de l’apprentissage automatique nous a donné un nouvel outil dans notre arsenal pour résoudre des problèmes que nous ne pouvions pas résoudre auparavant », a-t-il expliqué. « Bien que les outils eux-mêmes ne soient pas nécessairement nouveaux, les applications particulières que nous avons sont très différentes. Nous commençons à appliquer l’apprentissage automatique de manière plus contraignante, ce qui nous permet de résoudre des problèmes physiques que nous n’avions aucun moyen de résoudre auparavant. »

Dans la modélisation de l’activité cellulaire au sein d’un organe, il n’est pas possible de modéliser individuellement chaque cellule de cet organe – un centimètre cube de tissu peut contenir un milliard de cellules – les chercheurs s’appuient donc sur ce que l’on appelle la mise à l’échelle.

La mise à l’échelle cherche à réduire les données nécessaires pour analyser ou modéliser un processus biologique particulier tout en maintenant la fidélité – le degré auquel un modèle reproduit avec précision quelque chose – de la biologie, de la chimie et de la physique de base se produisant au niveau cellulaire.

Les systèmes biologiques, note Wood, résistent aux techniques traditionnelles de mise à l’échelle, et c’est là qu’interviennent les méthodes d’apprentissage automatique.

En réduisant la charge d’informations pour un système très compliqué au niveau cellulaire, les chercheurs peuvent mieux analyser et modéliser l’impact ou la réponse de ces cellules avec une haute fidélité sans avoir à modéliser chaque individu. Wood le décrit comme « simplifiant un problème de calcul comportant des dizaines de millions de points de données en le réduisant à des milliers de points de données ».

La nouvelle approche pourrait ouvrir la voie à des traitements potentiels pour les patients basés sur les résultats d’un modèle numérique. Dans cette étude, les chercheurs ont pu utiliser l’apprentissage automatique et développer une nouvelle méthode pour résoudre les problèmes non linéaires classiques dans les systèmes biologiques et chimiques.

« Notre travail capitalise sur ce qu’on appelle les réseaux de neurones profonds pour augmenter les processus non linéaires trouvés dans le transport et les réactions au sein des tissus », a déclaré Wood.

Wood collabore à un autre projet de recherche utilisant des techniques d’apprentissage automatique pour modéliser le flux sanguin dans le corps.

« Les promesses de la médecine individualisée deviennent rapidement une réalité », a-t-il déclaré. « La combinaison de plusieurs disciplines, telles que la biologie moléculaire, les mathématiques appliquées et la mécanique des continuums, est combinée de nouvelles manières pour rendre cela possible. L’un des éléments clés de cela sera certainement les progrès continus des méthodes d’apprentissage automatique. »


Une approche « transformationnelle » de l’apprentissage automatique pourrait accélérer la recherche de nouveaux traitements contre les maladies


Plus d’information:
Ehsan Taghizadeh et al, Réseaux de neurones éclairés par la physique explicite pour la fermeture non linéaire : le cas du transport dans les tissus, Journal de physique computationnelle (2021). DOI : 10.1016/j.jcp.2021.110781

Fourni par l’Université d’État de l’Oregon

Citation: De nouvelles recherches permettent une étape clé vers la médecine personnalisée : la modélisation des systèmes biologiques (2021, 9 décembre) récupéré le 9 décembre 2021 sur https://techxplore.com/news/2021-12-enables-key-personalized-medicine-biological.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.