Une signature biologique pour le diagnostic différentiel précoce de la psychose

La schizophrénie (SZ) et les troubles de l'humeur (BD, MDD) comptent parmi les troubles les plus invalidants au monde, avec un fardeau social, fonctionnel et économique important. Bien qu’ils soient identifiés comme des troubles distincts, le chevauchement potentiel des symptômes pose des défis importants pour le diagnostic différentiel. Une littérature cohérente affirme que la structure et la fonction du cerveau reflètent un phénotype intermédiaire d'une vulnérabilité génétique sous-jacente aux troubles, façonnée par l'interaction avec les expériences environnementales. De telles expériences incluent le stress et les traumatismes au début de la vie qui semblent caractériser les patients psychiatriques et ont été associés à des anomalies cérébrales. De plus, les expériences précoces de la vie ont été associées à l'inflammation dans une sous-population de patients psychiatriques. Cependant, les différences au niveau de l'imagerie, de l'inflammation et de la génétique au niveau des groupes, bien que cohérentes, n'ont pas d'impact sur la pratique clinique car elles n'ont pas été traduites en prédiction individuelle. Pour résoudre ces problèmes, un nombre croissant de publications scientifiques ont mis en œuvre des techniques informatiques telles que l’apprentissage automatique (ML). Dans ce projet, nous développerons des algorithmes ML de pointe pour prédire le diagnostic différentiel entre les troubles de l'humeur et le SZ à partir de données génétiques, de neuroimagerie, inflammatoires et environnementales dans une cohorte unique de 1 850 patients et 1 000 témoins sains recrutés dans 4 centres différents en Italie. Le projet répondra à trois objectifs différents : dans l'objectif 1, nous développerons des algorithmes pour le diagnostic différentiel entre SZ et MD combinant neuroimagerie multimodale et données génétiques ; dans l'objectif 2, nous prédirons le diagnostic différentiel entre SZ et MD à partir de données immuno-inflammatoires et environnementales ; enfin, dans le troisième objectif, nous exploiterons un modèle animal pour identifier les mécanismes sous-jacents des altérations cérébrales associées à l'exposition au stress en début de vie. Les analyses d'apprentissage automatique comprendront des algorithmes pour l'harmonisation des données et la réduction des fonctionnalités, ainsi que pour générer des modèles normatifs. Enfin. différents modèles de classification seront comparés en tenant compte des caractéristiques spécifiques pour obtenir les meilleures performances. La définition de biomarqueurs fiables et objectifs, combinée à une méthodologie informatique de pointe, pourrait aider les cliniciens à fournir des diagnostics plus précis et des interventions précoces, en tenant également compte des constructions et des facteurs dimensionnels. influencer les résultats tels que la psychose affective ou non affective et l'ampleur de l'exposition aux événements traumatisants