Génomique algorithmique : La technologie de ChatGPT peut-elle déjouer les risques d'AVC ?

Le jouet préféré de la Silicon Valley — l'architecture de transformeur qui alimente les discussions des chatbots — a discrètement infiltré la génomique humaine. Plutôt que de générer une prose élégante, des chercheurs de l'Université de Technologie de Sydney ont redirigé cette technologie vers un objectif bien plus urgent : la lecture de l'ADN pour prédire les AVC ischémiques avant que des caillots sanguins ne bloquent l'apport d'oxygène au cerveau.

Les événements cardiovasculaires et cérébraux se manifestent rarement poliment, pourtant la génétique représente environ 38 % du risque d'AVC d'un individu. Pendant des décennies, les praticiens médicaux ont considéré la prédisposition génétique comme une considération secondaire, principalement parce que le calcul des interactions génétiques complexes dépassait les capacités d'analyse traditionnelles. Les méthodes statistiques standard, telles que les scores de risque polygénique, se contentaient de tabuler des variations isolées. Elles ne parvenaient pas à traiter la manière dont des marqueurs génétiques distincts interagissent au sein d'une séquence – une limitation fondamentale lors de la tentative de cartographie de la biologie humaine.

En appliquant les mécanismes des grands modèles linguistiques aux ensembles de données génétiques, l'équipe australienne a identifié 18 variants génétiques spécifiques associés à l'AVC ischémique. Parmi les principaux contributeurs figurent le gène EDEM2, actif dans le cortex cérébral, et KANK2, présent dans le sang total. Testé sur des ensembles de données médicales englobant plus de 40 000 personnes, le modèle a classé les individus en différentes catégories de risque. Les résultats étaient frappants : ceux identifiés comme à haut risque présentaient une probabilité 21 % plus élevée de subir un premier AVC que ceux du niveau de risque faible.

Kairui Guo, l'auteur correspondant de l'étude, a souligné que lorsqu'un AVC frappe un patient plus jeune, les familles demandent invariablement si des proches partagent ce risque, et ces outils algorithmiques offrent enfin un moyen structuré d'évaluer ce danger. Traiter de si vastes volumes de données génétiques individuelles pour fournir des évaluations personnalisées serait pratiquement impossible sans l'apprentissage automatique moderne.

Pourtant, les avancées diagnostiques dans les laboratoires universitaires se heurtent souvent à un mur face aux réalités de l'application clinique. Jie Lu, directeur de l'Institut australien d'intelligence artificielle, envisage d'étendre cet outil à un système multimodal qui marierait le profilage génomique avec des variables cliniques telles que la tension artérielle, l'âge, le cholestérol, la fibrillation auriculaire et le diabète de type 2.

Une telle intégration a un sens théorique, mais traduire les données en prévention actionable nécessite plus qu'un logiciel astucieux. La médecine personnalisée promet une efficacité ciblée, mais les bureaucraties de la santé publique excellent à accumuler des données tout en échouant à ajuster les protocoles d'intervention précoce. Un algorithme peut détecter un pic de risque de 21 %, mais la question de savoir si les systèmes de santé modernes possèdent l'agilité institutionnelle pour agir en conséquence est une toute autre affaire.

Écrit par Thorben Thiede thorben.thiede@alpineweekly.com