Comme le mentionnent les chercheurs, de nombreuses mutations de l'ADN contribuant à la maladie ne figurent pas dans les gènes mais dans les 99% du génome qui étaient autrefois considérés comme des indésirables. Bien que ces derniers aient récemment compris que ces vastes étendues d’ADN jouent effectivement un rôle essentiel, il était jusqu’à présent impossible de déchiffrer ces effets à grande échelle.
Or, selon une étude publiée dans Nature Genetics, en utilisant l'intelligence artificielle, des chercheurs auraient décodé l'impact fonctionnel de ces mutations chez les personnes atteintes d'autisme. Ces derniers estiment que cette méthode puissante est généralement applicable à la découverte de telles contributions génétiques à toute maladie.
Les chercheurs ont analysé les génomes de 1 790 familles dans lesquelles un enfant avait un trouble du spectre autistique, mais pas les autres membres. La méthode a trié parmi 120 000 mutations pour trouver celles qui affectent le comportement des gènes chez les personnes atteintes d'autisme. Bien que les résultats ne révèlent pas les causes exactes des cas d'autisme, ils révèlent des milliers de contributeurs possibles pour les chercheurs.
Les chercheurs mentionnent que de nombreuses recherches antérieures ont porté sur l'identification de mutations dans les gènes eux-mêmes. Les gènes sont essentiellement des instructions pour fabriquer les nombreuses protéines qui construisent et contrôlent le corps. Les mutations dans les gènes entraînent des protéines mutées dont les fonctions sont perturbées. Cependant, d'autres types de mutations perturbent la régulation des gènes. Les mutations dans ces domaines n'affectent pas ce que les gènes font mais quand et combien ils en font.
Or comme le soulignent les chercheurs, jusqu'à présent, il n'était pas possible de rechercher dans le génome entier des fragments d'ADN régulant les gènes ni de prédire comment les mutations de cet ADN régulateur contribueraient probablement à une maladie complexe. Ces derniers précisent que cette méthode fournit un cadre pour effectuer cette analyse avec n'importe quelle maladie. L'approche pourrait être particulièrement utile pour les troubles neurologiques, le cancer, les maladies cardiaques et de nombreuses autres affections qui ont échappé aux efforts d'identification des causes génétiques.
Les chercheurs mentionnent que la plupart des recherches antérieures sur les bases génétiques de la maladie ont porté sur les 20 000 gènes connus et sur les sections environnantes de l'ADN qui régulent ces gènes. Cependant, même cette énorme quantité d'informations génétiques ne représente qu'un peu plus de 1% des 3,2 milliards de paires chimiques du génome humain. Les 99% restants ont été conventionnellement considérés comme sombres ou indésirables, bien que des recherches récentes aient commencé à perturber cette idée.
Pour l'étude,les chercheurs proposent une méthode pour donner un sens à cette vaste gamme de données génomiques. Le système utilise une technique d'intelligence artificielle appelée apprentissage en profondeur, dans laquelle un algorithme effectue des couches d'analyse successives pour en savoir plus sur des modèles qu'il serait impossible de discerner autrement. Dans ce cas, l'algorithme apprend à identifier les sections d'ADN biologiquement pertinentes et à prédire si ces extraits jouent un rôle dans l'une des plus de 2 000 interactions protéiques dont on sait qu'elles affectent la régulation des gènes. Le système prédit également si la perturbation d'une seule paire d'unités d'ADN aurait un effet substantiel sur ces interactions protéiques.
L'algorithme glisse le long du génome en analysant chaque paire chimique dans le contexte des 1 000 paires chimiques qui l'entourent, jusqu'à ce qu'il ait analysé toutes les mutations. Le système peut ainsi prédire l'effet de la mutation de chaque unité chimique dans le génome entier. En fin de compte, il révèle une liste priorisée de séquences d'ADN susceptibles de réguler les gènes et les mutations susceptibles d'interférer avec cette régulation.
Comme le précisent les chercheurs, avant cette réalisation informatique, le moyen conventionnel de collecter ces informations consistait à effectuer des expériences de laboratoire laborieuses sur chaque séquence et chaque mutation possible dans cette séquence. Or, selon ces derniers, ce nombre de fonctions et de mutations possibles est trop important pour être envisagé. En effet, une approche expérimentale nécessiterait de tester chaque mutation contre plus de 2 000 types d'interactions protéiques et de répéter ces expériences sur des tissus et des types de cellules, ce qui représente des centaines de millions d'expériences.
Le système calibre son potentiel en fonction de mutations connues et développe un score d'impact sur la maladie, une évaluation de la probabilité qu'une mutation donnée ait un effet sur la maladie.
Dans le cas de l'autisme, les chercheurs ont analysé les génomes de 1 790 familles présentant un trouble du spectre de l'autisme «simplex», ce qui signifie que la maladie est apparente chez un enfant mais pas chez d'autres membres de la famille. Parmi cet échantillon, moins de 30% des personnes atteintes d'un trouble du spectre autistique avaient une cause génétique identifiée antérieurement. Les nouvelles mutations sont susceptibles d'augmenter considérablement cette fraction
Selon les chercheurs, la capacité de prédire l’effet fonctionnel de chaque mutation est l’innovation clé de cette nouvelle étude. Des études antérieures avaient montré qu'il était difficile de détecter une différence dans le nombre de mutations réglementaires chez les personnes atteintes d'autisme par rapport aux personnes non atteintes. La nouvelle méthode, cependant, a examiné les mutations censées avoir un impact fonctionnel élevé et a mis en évidence un nombre significativement plus élevé de telles mutations chez les personnes affectées.
Lorsque les chercheurs ont ensuite étudié les gènes affectés par ces mutations, il s’est avéré que c’étaient des gènes fortement associés aux fonctions cérébrales. Ces mutations nouvellement découvertes affectaient des gènes et des fonctions similaires à celles des mutations identifiées précédemment.
Aucun commentaire:
Enregistrer un commentaire