Impact en médecine de la génomique assistée par IA

Texte par Vincent Mooser

L’explosion technologique dans le domaine du séquençage du génome humain, de l’informatique et de l’IA ouvre des opportunités sans précédent pour améliorer le diagnostic, la prédiction, la prévention et le traitement des maladies rares autant que de maladies communes. Un mouvement irrésistible est en marche pour que le séquençage du génome et l’interprétation des données génomiques par IA entrent dans la pratique clinique. Encore faudra-t-il s’assurer que tous puissent en bénéficier, en minimisant les risques.

Vincent Mooser et Brent Richards © Owen Egan/Joni Dufour

Les maladies peuvent être classifiées en deux groupes, les maladies rares et les maladies communes. Il existe des milliers de maladies rares, mais leur fréquence cumulée atteint environ une personne sur 10, et la plupart sont dues à des anomalies dans un gène donné (on parle de maladies monogéniques comme la mucoviscidose, dues à une mutation dans le gène appelé CFTR). Au contraire, les maladies communes (asthme, maladie coronarienne, Alzheimer…) sont généralement dues à l’effet conjugué d’une prédisposition génétique complexe (ou polygénique), qui explique environ 30%-50% du risque, et de l’environnement (nutrition, activité physique, accès aux soins, etc.) qui explique environ 50%-70% du risque.

Une ode à la complexité

Aujourd’hui, grâce à une révolution technologique dans le séquençage de l’ADN et dans l’informatique, il est possible de séquencer l’ensemble du génome humain en quelques heures, et pour une somme relativement modique (moins de $600) : quelle prouesse si l’on tient compte que le génome humain est fait de 3 milliards de lettres, une bibliothèque qui tient dans 46 livres, les chromosomes. Le 99.9% du génome est partagé par les individus, c’est dire que deux individus diffèrent en général par 3 millions de paires de bases différentes – on parle de variants génétiques. La grande majorité de ces variants n’a pas d’impact fonctionnel ou clinique. Les variants expliquent en partie la prédisposition d’un individu à développer une maladie ou à répondre à un certain traitement.

IA : le partenaire de choix

La complexité de ces analyses est telle que l’IA s’est déjà imposée comme une aide de choix dans différentes étapes du processus, notamment la détection de ces variants à partir des données issues des séquenceurs, et la prédiction de l’effet fonctionnel éventuel des variants (on parle d’annotation). En outre l’analyse conjuguée des variants génétiques (on parle de données génomiques si on analyse l’ensemble du génome) et des données phénotypiques (cliniques) est nécessaire pour comprendre l’impact clinique éventuel de variants. Les variants fonctionnels étant rares alors que les variants communs ont en général un impact fonctionnel minime, de grandes bases de données associant les données phénotypiques et génomiques de centaines de milliers de personnes sont nécessaires pour comprendre l’impact clinique éventuel des variants du génome. Ceci n’est pas possible sans IA.

De la clinique au gène

La suspicion d’une anomalie génétique doit conduire au séquençage du génome pour confirmer, ou infirmer, une origine génétique à un problème médical. L’identification d’une anomalie génétique permet en effet de confirmer un diagnostic, d’identifier éventuellement d’autres porteurs dans la famille, pour le planning familial et, dans certains cas, pour une prise en charge thérapeutique ciblée. Récemment, l’analyse par AI de visages s’est montrée aussi performante que les meilleurs cliniciens dans la détection d’anomalies génétiques chez des enfants avec suspicion de maladie rare. Il est à prévoir que l’analyse par AI de grandes bases de données, en particulier des dossiers médicaux électroniques, d’un grand nombre de patients va conduire à une meilleure détection des porteurs d’anomalies génétiques prédisposant à des maladies monogéniques.

Du gène à la clinique

Chacun d’entre nous porte des millions de variants génétiques – c’est cette diversité qui assure en particulier notre unicité. Ces variants sont maintenant identifiables en séquençant notre génome. Quelles en sont les conséquences sur la santé, sur le risque de développer une maladie et à quel âge, de répondre défavorablement à un médicament ? Nous pouvons faire des prédictions relativement précises pour un certain nombre de gènes. A titre indicatif, la Société de Génétique Médicale Américaine a identifié 59 gènes pour lesquels la détection de certains variants doit conduire à une amélioration de la prise en charge clinique. BRCA1, le gène responsable, s’il est muté, du cancer du sein, fait partie de cette liste. Mais pour la grande majorité des variants, la prédiction est mauvaise, et IA sera essentielle pour réduire la complexité des données génomiques, couplées aux données médicales et environnementales, pour affiner le risque. Dans cet ordre d’idée, on peut citer la technologie de « phénotypage d’ADN », qui consiste à reconstruire un phénotype (par exemple la taille, l’ethnicité, la forme du visage, le sexe, la couleur des yeux, le type de cheveux) sur la base seule de l’analyse du génome, une application en médecine légale.

Des défis importants

Comme dans les autres domaines de la santé dans lesquels l’IA s’impose comme partenaire essentiel, il ne fait pas de doute que la médecine génomique assistée par IA va jouer un rôle de plus en plus important en clinique. Plusieurs défis majeurs sont à relever. Tout d’abord, la démonstration de l’utilité clinique de ces applications de génomique et d’AI : il ne suffit pas d’identifier une application, encore faut-il en démontrer l’utilité clinique. La sécurité des données est primordiale, alors que les données sont essentielles pour construire les algorithmes et leur application, notamment des données génomiques qui ont un caractère très prédictif et sont partagées avec les membres de la famille. Leur fuite pourrait avoir des conséquences assécurologiques, professionnelles et discriminatoires de tout ordre, notamment ethniques. Enfin, il est primordial que tous profitent de ces développements, alors même que la majorité des algorithmes AI sont aujourd’hui basés sur des populations très sélectionnées, en particulier blanche caucasienne.

Biographie
Vincent Mooser est médecin, généticien et chercheur, professeur à la Faculté de Médecine à McGill et titulaire de la Chaire d’Excellence en Recherche du Canada en médecine génomique. Il est diplômé de l’Université de Lausanne et a acquis sa formation en Suisse, en Australie et au Texas. En 2002, il a rejoint les laboratoires de GlaxoSmithKline à Philadelphie, où il était vice-président en génomique appliquée. En 2011, il est revenu en Suisse pour diriger le Département des Laboratoires du CHUV à Lausanne. Avant son déménagement à Montréal en 2019, il était également membre du Comité directeur de l’Académie Suisse des Sciences Médicales.

Références

Eric Topol MD. Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again. Editions Basic Books, 2019. ISBN-13: 9781541644649
Raquel Dias et Ali Torkamani. Artificial Intelligence in Clinical and Genomic Diagnostics. Genome Medicine (2019); 11: 70-81
Kevin B. Johnson, Wei-Qi Wei, Dilhan Weeraratne, Mark E. Frisse, Karl Misulis, Kyu Rhee, Juan Zhao et Jane L Snowdon. Precision Medicine, AI, and the Future of Personalized Health Care. Clinical and Translational Sciences (2020), online. DOI : 10.1111/CTS.12284.