Advance la recherche sur les maladies avec une modélisation de l’IA et de la bayésie à UT Arlington

132

Publié le 2025-10-07 20:17:00. Des chercheurs de l’Université du Texas à Arlington développent des algorithmes d’intelligence artificielle avancés pour déchiffrer des volumes massifs de données biologiques, ouvrant de nouvelles voies dans la compréhension et le traitement des maladies.

L’intelligence artificielle (IA) révolutionne la recherche médicale en permettant d’analyser des ensembles de données d’une complexité et d’une ampleur sans précédent. À l’Université du Texas à Arlington (UTA), une équipe de scientifiques s’emploie à concevoir des modèles d’IA capables d’interpréter ces données biologiques pour mieux comprendre l’origine des maladies, les réactions du système immunitaire et l’efficacité des traitements.

Au cœur de ces avancées se trouve le travail de Xinlei (Sherry) Wang, professeur de statistiques et de science des données à l’UTA. Elle a obtenu une subvention fédérale de 1,28 million de dollars sur quatre ans pour son projet « Modélisation statistique et générative profonde pour l’amélioration de l’interprétation et de la découverte des données CYTOF ». Cette recherche vise à développer des modèles d’IA capables d’analyser des données biomédicales complexes, notamment celles issues de la technologie CYTOF.

Le CYTOF (Cytometry by Time-Of-Flight) est une technique de laboratoire de pointe capable de scanner simultanément des milliers de cellules individuelles et de mesurer la présence de dizaines de protéines en leur sein. Le principal défi, selon le Dr Wang, réside dans la présentation de ces données de manière accessible aux autres scientifiques. C’est là qu’intervient son équipe, composée de statisticiens bayésiens et de scientifiques des données, qui développe des outils bioinformatiques et statistiques novateurs.

L’approche adoptée par les chercheurs s’appuie sur un cadre bayésien. Ils construisent un modèle statistique unique, conçu pour générer des résultats clairs et interprétables. Ce modèle a pour objectif de révéler comment les informations détaillées issues de l’analyse monocellulaire, comme celles fournies par le CYTOF, sont générées. Il met en lumière les schémas sous-jacents de manière plus précise, permettant à l’IA de découvrir des relations cachées dans les données que les humains pourraient manquer, tout en accélérant considérablement le processus d’obtention des résultats.

« Sans l’IA intégrée dans notre cadre bayésien, il serait impossible de passer à l’échelle et il faudrait plusieurs jours, voire plus, pour obtenir des résultats. Avec l’IA, nous obtenons des résultats fiables et rigoureux en quelques secondes, même pour des millions de cellules. Nous modélisons ce que nous savons des données à l’aide de modèles bayésiens transparents, de sorte que les paramètres sont interprétables. Par exemple, un paramètre peut indiquer une expression accrue des protéines dans le groupe de maladies par rapport au groupe témoin. »

Xinlei (Sherry) Wang, Professeure de statistiques et de science des données, Département de mathématiques de l’UT Arlington

Les algorithmes développés par l’équipe combinent les données issues du séquençage génomique de nouvelle génération sur cellule unique avec une analyse protéique détaillée au niveau de chaque cellule. Cette synergie offre une compréhension plus complète de ce qui se passe à l’intérieur des cellules, révélant des indices sur la santé et les maladies qui pourraient à terme mener à de meilleurs traitements, notamment pour des affections comme le cancer. Le système peut analyser des millions de cellules simultanément, chacune présentant 40 à 100 expressions protéiques ou des dizaines de milliers d’expressions géniques, permettant d’identifier différents types cellulaires et de comparer des cellules saines et malades.

Le travail de Xinlei Wang et de son équipe suscite déjà de l’intérêt. Kevin Wang, un récent diplômé de doctorat et actuel professeur adjoint à l’Université Davidson, a remporté le prix du meilleur doctorat pour avoir présenté les résultats préliminaires du groupe lors de la Conférence des statisticiens du Texas. De plus, une étude récemment publiée dans la revue *Nature Communications*, co-écrite par Wang, le chercheur postdoctoral Zeyu Lu et le collègue Lin Xu, a introduit un outil nommé « Bit » (Bayesian identification of transcriptional regulators from epigenomic query region sets). Cet outil vise à améliorer la précision de la recherche sur les gènes régulateurs.

L’équipe de Wang comprend également des membres de la Division des sciences des données de l’UTA, Li Wang (professeure agrégée de mathématiques), Yike Shen (professeure adjointe des sciences de la Terre et de l’environnement), ainsi que les chercheurs de l’UT Southwestern Yuqiu Yang et Andy Xiao.

« L’IA est puissante, mais c’est souvent une boîte noire », souligne Wang. « Nous concevons des logiciels open source conviviaux afin que les utilisateurs finaux puissent les exécuter sur leurs ordinateurs portables. Les algorithmes existants ne peuvent pas gérer efficacement les mégadonnées. Nous combinons la rigueur statistique, la quantification de l’incertitude et l’évolutivité, le tout au sein d’un seul cadre. »