L'IA et les données multi-omiques construisent l'avenir de la médecine de précision

Les maladies complexes résultent d'une dérégulation simultanée à plusieurs niveaux biologiques, pourtant la pratique médicale actuelle repose encore largement sur des diagnostics et des traitements uniformes qui ignorent les différences moléculaires individuelles. Cette revue de Mardinoglu et ses collègues, publiée dans Molecular Systems Biology, soutient que la convergence de grandes données biologiques longitudinales, de l'IA et de la biologie des systèmes représente la voie la plus viable vers une médecine véritablement personnalisée. Les auteurs synthétisent les données issues de centaines d'études afin de présenter un cadre dans lequel les données multi-omiques sont collectées, intégrées et interprétées en continu pour révéler les mécanismes des maladies avec une résolution sans précédent.

Au cœur de la composante biologie des systèmes se trouvent les modèles métaboliques à l'échelle du génome (GEMs). La revue retrace leur développement depuis les premières reconstructions du réseau métabolique humain — Recon1 et EHMN en 2007 — jusqu'aux modèles progressivement affinés, notamment HMR1, HMR2, Recon2, Recon3D, et enfin Human1 en 2020. Ces modèles encodent l'ensemble des réactions biochimiques connues, catalysées par des enzymes et des transporteurs codés dans le génome humain, permettant aux chercheurs de construire des modèles spécifiques à certains tissus — notamment pour le foie, l'intestin et d'autres organes — qui simulent les états métaboliques altérés dans la maladie. Des GEMs propres aux microbes et aux communautés microbiennes ont étendu ce cadre à l'intestin, à la cavité buccale, au vagin et au microbiome cutané, permettant l'étude des interactions hôte-microbiome et l'identification de cibles thérapeutiques basées sur le microbiome.

La revue recense un large éventail d'études longitudinales multi-omiques de référence actuellement en cours dans le monde entier, soulignant que les jeux de données intègrent désormais de façon routinière la génomique, l'épigénomique, la transcriptomique, la protéomique, la métabolomique, la lipidomique et la métagénomique, en parallèle des dossiers cliniques, des données issues de dispositifs portables et des données alimentaires. Les auteurs soulignent que les dispositifs portables capturent désormais en continu des paramètres physiologiques — calories brûlées, tension artérielle, fréquence cardiaque, niveaux d'activité et sommeil — tandis que les dossiers médicaux électroniques (DME) contribuent à des notes cliniques longitudinales, des mesures physiques et des données d'imagerie. Cette richesse des données positionne l'IA comme indispensable pour la reconnaissance de schémas et la découverte de biomarqueurs à des échelles inaccessibles aux analystes humains.

Le rôle de l'IA est présenté selon deux modalités complémentaires. Premièrement, les algorithmes classiques d'apprentissage automatique et d'apprentissage profond identifient des schémas pertinents pour les maladies au sein de jeux de données multi-omiques à haute dimensionnalité, la pathologie numérique étant citée comme un exemple abouti où de larges jeux de données structurés ont permis un déploiement clinique pour assister les pathologistes. Deuxièmement, les grands modèles de langage (LLMs) permettent désormais une exploration rapide de la littérature biomédicale, accélérant l'interprétation des données biologiques et l'identification de connexions entre gènes, métabolites, composition du microbiome, alimentation et toxines environnementales. Ensemble, ces outils d'IA permettent la découverte de nouveaux biomarqueurs et cibles thérapeutiques, tout en comprimant les délais de développement des médicaments.

La contribution la plus prospective de cette revue réside dans son traitement des jumeaux numériques — des modèles computationnels personnalisés de patients individuels, construits à partir de leurs grandes données biologiques longitudinales. Des modèles métaboliques du corps entier, tels que ceux construits sur le cadre Harvey/Harvetta, servent de substrat à ces jumeaux, permettant la simulation en temps réel de la fonction biologique individuelle et la prédiction des réponses aux interventions. Les auteurs soutiennent que cette infrastructure constitue le fondement des systèmes d'aide à la décision clinique pilotés par l'IA, susceptibles de transformer fondamentalement les soins hospitaliers, passant d'une approche réactive à une approche prédictive et préventive.

Les principales réserves reconnues par les auteurs incluent la fragmentation actuelle des normes de données entre institutions, les défis liés à la confidentialité et à la réglementation entourant la collecte de données biologiques longitudinales, ainsi que les coûts computationnels liés à l'exécution de modèles du corps entier à grande échelle. La revue est principalement synthétique plutôt qu'empirique, s'appuyant sur des études existantes plutôt que sur de nouvelles données expérimentales, ce qui limite la possibilité de quantifier les effets spécifiques ou les résultats cliniques directement attribuables à ces approches intégrées.