Les études de biobanques génomiques font progresser la prédiction personnalisée des maladies et la découverte de risques psychiatriques

De récentes études exploitant les données génomiques de grandes biobanques font progresser la prédiction personnalisée des maladies et approfondissent la compréhension de la prédisposition génétique partagée entre les affections psychiatriques et physiques. Une étude a démontré une stratégie pratique de rappel par génotype (recall-by-genotype) pour la psychiatrie de précision, une autre a identifié des corrélations génétiques généralisées entre les systèmes de maladies psychiatriques et physiques, et une troisième a constaté que l'intégration d'informations sur les trajectoires de maladies améliore les performances de prédiction.

Dans une étude publiée dans npj Genomic Medicine, des chercheurs de l'Icahn School of Medicine at Mount Sinai ont utilisé BioMe, l'une des biobanques de systèmes de santé les plus grandes et les plus diversifiées du pays, pour identifier les personnes porteuses de variants du nombre de copies (CNV) rares qui augmentent considérablement le risque de troubles neurodéveloppementaux, notamment le trouble du spectre autistique, la déficience intellectuelle et la schizophrénie. Ils ont recontacté 892 participants — 335 porteurs de CNV, 217 personnes atteintes de schizophrénie sans ces variants et 340 témoins neurotypiques — afin d'évaluer si le rappel par génotype pouvait être mis en œuvre. 18 % des participants ont répondu au recrutement et 8 % ont achevé des évaluations psychiatriques et cognitives complètes. La cohorte finale était diversifiée : 37 % des participants s'identifiaient comme d'ascendance africaine, 34 % d'ascendance hispanique et 26 % d'ascendance européenne. Des évaluations détaillées ont identifié des caractéristiques développementales, cliniques et cognitives allant au-delà de celles consignées dans les dossiers de santé électroniques de routine. L'étude établit des repères opérationnels pour la mise en œuvre d'études de rappel par génotype dans des systèmes de santé diversifiés. L'auteur principal a déclaré : « En recontactant des participants porteurs de CNV rares pour des évaluations détaillées, nous avons démontré à la fois les opportunités et les défis du schéma d'étude de rappel par génotype dans une grande biobanque diversifiée de système de santé. »

Une autre étude, appliquant Genomic SEM et introduisant Genomic E-SEM, a modélisé des facteurs latents de maladies physiques parallèlement aux facteurs psychiatriques à partir de 73 phénotypes physiques (~1,9 million de cas) couvrant huit domaines médicaux. Les facteurs « pensée/psychotique » et « compulsif » ont présenté peu d'associations avec les facteurs de maladies physiques, tandis que les facteurs d'intériorisation, neurodéveloppementaux et d'usage de substances ont montré des corrélations génétiques substantielles à l'échelle du génome avec l'ensemble des systèmes de maladies physiques. Une GWAS multivariée d'un facteur transdiagnostique de maladie physique défini par 21 troubles physiques a identifié 27 loci de risque génomique et a fait preuve d'une validité prédictive substantielle dans l'analyse PheWAS ultérieure. Ces résultats révèlent un partage de risque généralisé entre des groupes spécifiques d'affections psychiatriques et physiques et suggèrent la nécessité de cadres nosologiques supplémentaires.

Une troisième étude a proposé un cadre de prédiction personnalisée des maladies intégrant des annotations structurées de variants génomiques, des plongements sémantiques profonds des historiques longitudinaux de maladies et des métriques de conformité des processus dérivées des trajectoires pathologiques antérieures. Les plongements d'historiques de maladies ont été générés à l'aide de trois modèles basés sur BERT — BioBERT, BioClinicalBERT et BiomedBERT — et la vérification de conformité des processus par alignement a mesuré à quel point la trajectoire de maladie d'un individu se conforme aux schémas typiques de progression de la population. Dans sept configurations de caractéristiques, l'intégration de caractéristiques de fitness basées sur la conformité a amélioré les performances de prédiction dans toutes les catégories de maladies et pour tous les classificateurs, produisant des valeurs d'AUROC plus élevées et des scores de Brier plus faibles, tandis que les configurations reposant uniquement sur les plongements ou uniquement sur les annotations de variants génomiques figuraient parmi les modèles les moins performants. Ces résultats indiquent que la conformité des trajectoires pathologiques au niveau des processus capture des informations temporelles et comportementales non entièrement représentées par les seules caractéristiques génomiques ou sémantiques profondes, et les travaux futurs cibleront des maladies plus étroitement définies.