GenoMed4ALL : Améliorer la classification et le pronostic de la SCD grâce à l'IA (GenoMed4ALL)

La SCD est une maladie multisystémique chronique potentiellement mortelle, transmise de manière autosomique récessive, provoquée par la présence d'une hémoglobine S (HbS) anormale résultant de la mutation falciforme du gène HBB. Bien qu’il s’agisse d’un trouble de mutation génétique unique, la SCD présente une variabilité phénotypique extrême qui n’est pas complètement comprise. Plusieurs facteurs génétiques et environnementaux sont censés avoir un impact sur le phénotype de la maladie, les manifestations cliniques, la progression des lésions organiques et la qualité de vie tout au long de la vie.

Bien que des progrès significatifs aient été réalisés au cours des dernières décennies dans la physiopathologie très complexe de la drépanocytose, la possibilité d’une médecine personnalisée en est encore à ses balbutiements. Il existe un manque de marqueurs de la gravité de la maladie, du pronostic et de la réponse au traitement. En particulier, l’hétérogénéité de l’expression clinique de la maladie ainsi que les complications chroniques à long terme dues à l’augmentation de la durée de vie des patients doivent être abordées par des traitements innovants et personnalisés. En outre, il est nécessaire d'évaluer le rôle des nouveaux traitements, tant en termes d'efficacité et de sécurité à long terme que de rapport coût/efficacité. La rareté et la fragmentation des données SCD empêchent les chercheurs d’atteindre les chiffres critiques nécessaires à la recherche fondamentale et clinique. La recherche et les solutions basées sur les données sont donc essentielles pour améliorer les soins des patients atteints de drépanocytose et leur qualité de vie.

La disponibilité de nombreuses options de traitement ainsi que la forte hétérogénéité des maladies soulignent la nécessité de prendre en compte les profils de gravité des patients et d'offrir les meilleurs soins à chaque personne affectée. Le développement des algorithmes GENOMED4ALL AI pour la SCD sera d'une grande importance pour la caractérisation et la prédiction approfondies des diverses complications de la SCD. Les principaux critères d'évaluation d'intérêt comprennent :

• Améliorer la classification SCD
• Développer un score de probabilité pour prédire divers modèles reconnus par l'intelligence artificielle (IA) basé sur l'analyse de l'imagerie par résonance magnétique cérébrale (radiomique)
• Développer des scores de risque prédictifs pour la survenue des résultats cliniques les plus répandus et les plus graves
• Développer des scores de risque prédictifs au fil du temps pour l'apparition des résultats cliniques les plus répandus et les plus graves.

RADeep sera utilisé pour la standardisation des données cliniques et de laboratoire existantes. Un CRF a été élaboré, comprenant un peu plus de 250 éléments de données. Le GenoMed4All CRF s'appuie sur des travaux antérieurs réalisés par RADeep et comprend « l'ensemble d'éléments de données communs pour l'enregistrement des maladies rares », qui a été publié en décembre 2017 à la suite d'un groupe de travail dédié facilité par le Centre commun de recherche (JRC). Cette approche garantira l'interopérabilité avec d'autres initiatives similaires en Europe et permettra également aux données collectées d'être réutilisées pour de futures études de recherche.

Les études d'association pangénomiques (GWAS) étendent le concept d'études d'association pour analyser simultanément des centaines de milliers de polymorphismes mononucléotidiques (SNP) et constituent un moyen rentable d'explorer les variantes génétiques dans l'ensemble du génome. Mais malgré un intérêt considérable pour l'identification de modificateurs génétiques de la SCD, la majorité des GWAS précédents recherchaient un lien génétique et une association avec les niveaux d'HbF, un facteur d'amélioration établi de la gravité de la maladie. De plus, l’utilisation de la science des données et de l’intelligence artificielle (IA) a été limitée dans la recherche sur la SCD. Par conséquent, la génération de données GWAS combinée à l’utilisation du panel d’imputation le plus récent pour l’imputation offre une opportunité pour le développement de nouvelles techniques d’IA et pour de nouvelles découvertes en SCD.

Les infarctus cérébraux silencieux (LM) sont une cause importante de morbidité dans la drépanocytose : ils touchent 25 % des enfants à l'âge de 6 ans et 40 % à l'âge de 18 ans avec des conséquences sur la cognition, la scolarité, la capacité de travail et la qualité de vie. Ainsi, l'un des objectifs du cas clinique SCD dans GENOMED4ALL est l'utilisation de la radiomique - méthode quantitative pour l'évaluation et l'interprétation des images médicales - et de l'IA, d'une part pour développer une identification et une caractérisation automatiques et uniformes des LME sur les IRM, d'autre part, pour corréler les données d'imagerie avec d'autres types de données OMICS afin de prédire le risque d'apparition et de récidive.

La déformabilité des globules rouges (GR) des individus atteints de drépanocytose est nettement anormale, quel que soit le génotype. Plusieurs études ont rapporté des associations entre le degré d'altération de la déformabilité des globules rouges mesuré à l'état d'équilibre chez les patients atteints de drépanocytose et la présence de complications chroniques, telles que le priapisme, les ulcères de jambe, la glomérulopathie, etc. La technique récemment développée d'ektacytométrie à gradient d'oxygène permet une caractérisation fonctionnelle et un comportement rhéologique plus complet des globules rouges SCD sur une gamme de tensions d'oxygène afin de tester si les changements rhéologiques pourraient refléter la gravité/complications cliniques. Données sur les caractéristiques rhéologiques des globules rouges de tous les patients de l'état d'équilibre va être obtenu grâce à l'ektacytomètre de l'analyseur optique de globules rouges à rotation laser (Lorrca) (RR Mechatronics).

En combinant une grande quantité d'ensembles de données multimodaux standardisés (cliniques, multi-omiques et imagerie), les enquêteurs émettent l'hypothèse que l'IA permettra de mieux comprendre la biologie et la classification de la SCD, améliorer la capacité pronostique/prédictive des outils actuellement disponibles et appliquer des traitements de manière plus ciblée. manière, facilitant ainsi la mise en œuvre d’un programme de médecine personnalisée dans toute l’UE.