Les progrès de l’intelligence artificielle (IA), et plus particulièrement du deep learning (apprentissage approfondi), ont conduit à une explosion du nombre de biomarqueurs permettant d’évaluer le vieillissement. Des chercheurs d’Insilico Medecine, une société américaine de biotechnologies, analysent les progrès récents dans ce domaine et l’espoir que suscite tous ces travaux. Dans leur étude*, publiée le 3 juillet dans Cell « Trends in Pharmacological Sciences », ils décrivent également les utilités potentielles de ces nouvelles « horloges » dans l’industrie pharmaceutique.
À la recherche des marqueurs de l’âge biologique
Il existe 2 types d’âge: l’âge chronologique, qui correspond au nombre d’années vécues, et l’âge biologique, influencé par nos gènes, notre mode de vie, notre comportement, l’environnement et bien d’autres facteurs. L’âge biologique est bien plus fiable que l’âge chronologique car il est étroitement corrélé à la mortalité et à l’état de santé. Depuis plusieurs décennies, de nombreuses équipes de recherche planchent sur des prédicteurs fiables de l’âge biologique mais jusqu’à présent, sans grand succès.
Depuis 2016, l’utilisation de techniques d’apprentissage en profondeur pour trouver des prédicteurs de l’âge chronologique et biologique gagne en popularité dans le milieu de la recherche sur le vieillissement. Les progrès de l’intelligence artificielle (IA), combinés à la disponibilité de vastes ensembles de données, ont conduit à une explosion dans ce domaine, augmentant ainsi la variété de biomarqueurs pouvant être considérés comme prédicteurs potentiels de l’âge. C’est le constat que font des chercheurs de la société américaine de biotechnologies Insilico Médecine. Dans la revue Cell « Trends in Pharmacological Sciences », ils passent en revue les découvertes récentes.
L’efficacité des réseaux de neurones profonds
« Les êtres humains sont très doués pour deviner l’âge des uns et autres grâce à des photos, des vidéos, l’enregistrement de la voix, ou même des odeurs », déclarent les auteurs des travaux. Et bien souvent, quand quelqu’un paraît plus âgé que son âge chronologique, c’est qu’il est malade. « Un médecin expérimenté peut deviner l’état pathologique de son patient rien qu’en le regardant », écrivent-ils. Cependant, les réseaux neuronaux profonds (deep learning ou apprentissage approfondi) peuvent le faire mieux que lui et, grâce à cette méthode d’apprentissage automatique, il est désormais possible d’interpréter les facteurs qui impactent le plus l’âge biologique.
La première étude de vieillissement utilisant des réseaux de neurones profonds a été publiée en 2016. Les scientifiques ont utilisé plus d’un million de tests sanguins cliniques. L’IA utilise aussi largement les données photographiques : des images des coins de l’œil permettent par exemple de prédire l’âge d’un individu avec une précision absolue de 1,9 an. Bien que les données photographiques ne soient pas les plus pertinentes biologiquement, de nombreux troubles génétiques et phénotypiques peuvent en effet être diagnostiqués à partir d’une image.
L’IA se nourrit de sources de données très variées
Les données d’expression des gènes sont parmi les plus précieuses car elles permettent l’identification des gènes les plus impliqués dans des maladies spécifiques, telles que le cancer. La première horloge de vieillissement dite « transcriptomique » mise au point à l’aide de techniques de deep learning a été publiée en 2018.
« Les appareils portables sont également des gros pourvoyeurs de données biologiquement pertinentes », déclarent les chercheurs. En 2018, les changements d’activité physique liés à l’âge ont été étudiés pour la première fois dans le contexte de la prédiction de l’âge à l’aide de réseaux de neurones. Et ce modèle a été relativement précis pour prédire l’âge.
Le potentiel pour l’industrie pharmaceutique
Pour les sociétés pharmaceutiques, disposer d’ »horloges de vieillissement » fiables présente plusieurs avantages : c’est un moyen simple d’évaluer le type de données affecté par un médicament ou une intervention et de mieux comprendre quelles sont les données les plus importantes dans un essai clinique.
Pour les entreprises spécialisées dans les vaccins, ces horloges peuvent aussi permettre de suivre les taux de réponse.
« Les biomarqueurs profonds du vieillissement développés à l’aide de divers types de données font progresser rapidement l’industrie des biotechnologies de la longévité, » affirment les auteurs de l’étude. Ils font le pari que plusieurs start-ups spécialisées dans la longévité vont voir le jour dans les années à venir.