Dans la médecine d’aujourd’hui, les médecins définissent et diagnostiquent la plupart des maladies sur la foundation des symptômes. Cependant, cela ne signifie pas nécessairement que les maladies des people présentant des symptômes similaires auront des brings about identiques ou présenteront les mêmes changements moléculaires. En biomédecine, on parle souvent des mécanismes moléculaires d’une maladie. Il s’agit de changements dans la régulation des gènes, des protéines ou des voies métaboliques au début de la maladie. L’objectif de la médecine stratifiée est de classer les individuals en différents sous-varieties au niveau moléculaire afin de fournir des traitements plus ciblés.
Pour extraire les sous-varieties de maladies à partir de grands ensembles de données sur les sufferers, de nouveaux algorithmes d’apprentissage automatique peuvent être utiles. Ils sont conçus pour reconnaître indépendamment des modèles et des corrélations dans des mesures cliniques étendues. Le groupe de recherche junior LipiTUM, dirigé par le Dr Josch Konstantin Pauling de la Chaire de bioinformatique expérimentale, a développé un algorithme à cette fin.
Analyse complexe via un outil World-wide-web automatisé
Leur méthode incorporate les résultats d’algorithmes existants pour obtenir des prédictions plus précises et as well as robustes des sous-sorts cliniques. Cela unifie les caractéristiques et les avantages de chaque algorithme et élimine leur ajustement fastidieux. “Cela facilite grandement l’application de l’analyse à la recherche clinique”, rapporte le Dr Pauling. “Pour cette raison, nous avons développé un outil basé sur le Website qui permet l’analyse en ligne des données cliniques moléculaires par des praticiens sans connaissance préalable de la bioinformatique.”
Sur le web site World wide web (https://exbio.wzw.tum.de/mosbi/), les chercheurs peuvent soumettre leurs données pour une analyse automatisée et utiliser les résultats pour interpréter leurs études. « Un autre aspect crucial pour nous était la visualisation des résultats. Les approches précédentes n’étaient pas capables de générer des visualisations intuitives des relations entre les groupes de sufferers, les facteurs cliniques et les signatures moléculaires. Cela va changer avec la visualisation basée sur le Web produite par notre outil MoSBi. dit Tim Rose, scientifique à la TUM School of Life Sciences. MoSBi signifie “Molecular Signatures using Biclustering”. “Biclustering” est le nom de la technologie utilisée par l’algorithme.
Demande de concerns cliniquement pertinentes
Grâce à cet outil, les chercheurs peuvent désormais, par exemple, représenter les données d’études et de simulations sur le most cancers pour divers scénarios. Ils ont déjà démontré le potentiel de leur méthode dans une étude clinique à grande échelle. Dans une étude coopérative menée avec des chercheurs de l’Institut Max Planck de Dresde, de l’Université procedure de Dresde et de la Clinique universitaire de Kiel, ils ont étudié le changement du métabolisme des lipides dans le foie de clients atteints de stéatose hépatique non alcoolique (NAFLD).
Cette maladie répandue est associée à l’obésité et au diabète. Il se développe du foie gras non alcoolique (NAFL), dans lequel les lipides sont déposés dans les cellules hépatiques, à la stéatohépatite non alcoolique (NASH), dans laquelle le foie s’enflamme davantage, à la cirrhose du foie et à la development de tumeurs. En dehors des ajustements alimentaires, aucun traitement n’a été trouvé à ce jour. Parce que la maladie est caractérisée et diagnostiquée par l’accumulation de divers lipides dans le foie, il est important de comprendre leur composition moléculaire.
Biomarqueurs de la maladie du foie
En utilisant les méthodes MoSBi, les chercheurs ont pu démontrer l’hétérogénéité des foies de sufferers au stade NAFL au niveau moléculaire. “D’un stage de vue moléculaire, les cellules hépatiques de nombreux sufferers atteints de NAFL étaient presque identiques à celles des patients atteints de NASH, tandis que d’autres étaient encore largement similaires à celles des people en bonne santé. Nous avons également pu confirmer nos prédictions à l’aide de données cliniques”, explique le Dr Pauling. “Nous avons alors pu identifier deux biomarqueurs lipidiques potentiels pour la progression de la maladie.” Ceci est vital pour la reconnaissance précoce de la maladie et de sa development et le développement de traitements ciblés.
Le groupe de recherche travaille déjà sur d’autres apps de leur méthode pour mieux comprendre d’autres maladies. “A l’avenir, les algorithmes joueront un rôle encore as well as essential dans la recherche biomédicale qu’ils ne le font déjà aujourd’hui. Ils peuvent faciliter considérablement la détection de mécanismes complexes et la recherche d’approches thérapeutiques in addition ciblées”, déclare le Dr Pauling.