L'apprentissage automatique révèle l'architecture génétique cachée de la maladie d'Alzheimer

La maladie d'Alzheimer (MA) est la cause la plus fréquente de démence dans le monde, mais son architecture polygénique complexe fait que les études d'association pangénomique (GWAS) standard ne capturent qu'une fraction de son risque héréditaire. Cette étude, publiée dans Nature Communications, a évalué de manière systématique si les approches d'apprentissage automatique (ML) pouvaient compléter ou surpasser les méthodes conventionnelles de génétique statistique pour identifier les facteurs de risque génétique de la MA à partir de données de cohortes européennes à grande échelle.

Les chercheurs ont constitué un jeu de données multi-cohortes issu de l'European Alzheimer's Disease Biobank (EADB) et de consortiums associés, regroupant des dizaines de milliers de cas de MA diagnostiqués cliniquement et de témoins appariés par âge, avec des données SNP pangénomiques. Ils ont comparé un panel diversifié d'algorithmes ML — notamment les forêts aléatoires, les machines de gradient boosting (XGBoost/LightGBM), les réseaux de neurones profonds, les machines à vecteurs de support et les cadres d'intégration de scores polygéniques — à la régression logistique GWAS standard et aux méthodes établies de score de risque polygénique (PRS).

Les principaux résultats ont montré que les méthodes ML par ensemble, en particulier le gradient boosting et les forêts aléatoires, captent des interactions SNP-SNP non linéaires et des effets épistatiques que les GWAS linéaires ne peuvent pas détecter. Plusieurs nouveaux loci génomiques se sont révélés significatifs dans les analyses basées sur le ML sans atteindre les seuils de significativité pangénomique dans les GWAS standard, avec un enrichissement dans des voies liées à l'activation microgliale, la cascade du complément, le transport du cholestérol (incluant des gènes dans le voisinage régulateur de l'APOE) et le cycle des vésicules synaptiques. Les modèles d'apprentissage profond entraînés sur des matrices de génotypes brutes ont montré une amélioration modeste mais constante de la discrimination cas-témoins (gains d'AUC de 1 à 3 %) par rapport au PRS seul, lors de la validation sur des cohortes de test indépendantes.

L'étude a également évalué les métriques d'importance des variables entre les modèles, constatant que le dosage de l'allèle APOE ε4 dominait les prédictions comme attendu, mais que son retrait révélait un paysage plus riche de loci secondaires contribuant cumulativement au risque. Des outils d'interprétabilité (valeurs SHAP) ont été appliqués aux sorties des réseaux de neurones, permettant de retrouver partiellement le signal biologique et d'améliorer la confiance scientifique accordée à ces modèles en boîte noire. L'enrichissement en ensembles de gènes des variants priorisés par ML a confirmé la biologie connue de la MA tout en signalant des gènes sous-explorés impliqués dans le trafic endosomal et la neuroinflammation.

Les auteurs concluent que les méthodes ML constituent des compléments précieux — et non des substituts — aux GWAS classiques en génétique de la MA. Ils proposent un cadre pratique et un pipeline de benchmarking en open source pour le domaine, tout en soulignant que des jeux de données plus larges et plus diversifiés sur le plan ancestral seront indispensables pour valider les découvertes issues du ML et garantir l'applicabilité équitable de tout futur outil de risque génétique.