Vous êtes ici : Accueil > Domaines de recherche > Les maladies neurodégénératives : approches médicales & technologiques au CEA

Dossier multimédia | Dossier de presse | Santé & sciences du vivant | Maladies | Maladies neurodégénératives | Alzheimer | Parkinson

Les maladies neurodégénératives : approches médicales & technologiques au CEA

Défi n°2 : Gérer et analyser de grandes quantités de données


Les données expérimentales et analytiques produites par ces outils technologiques constituent un matériau extrêmement riche pour générer de nouvelles hypothèses scientifiques et médicales, mais aussi pour guider les approches théoriques du fonctionnement cérébral et conduire à une meilleure compréhension des maladies neurodégénératives. Leur quantité est toutefois gigantesque ; les stocker et les analyser constitue le deuxième grand défi des neurosciences auquel doivent répondre les mathématiciens et les informaticiens, notamment grâce au Très grand centre de calcul (TGCC) du CEA à Bruyères-le-Châtel, qui abrite le supercalculateur Joliot-Curie.

Publié le 15 mars 2021

Pour relever le défi de la gestion et du traitement de données, les scientifiques développent de multiples approches visant à extraire des informations pertinentes du nombre de données mises à disposition mais largement sous-exploitées. Grâce à l’intelligence artificielle, des algorithmes apprennent aux ordinateurs à repérer des tendances ou des corrélations dans un très grand nombre de données d’imagerie mais aussi de mesures biologiques, pour créer de nouvelles connaissances, à partir des résultats accumulés. Ces méthodes permettent de proposer aux médecins des prédictions très fines sur le diagnostic, l’évolution ou le pronostic d’une maladie neurodégénérative ou d’un traitement. Trois applications complémentaires peuvent s’envisager dans l’aide au diagnostic et à la mise au point de thérapies efficaces des maladies neurodégénératives :

  • l’imagerie et la génétique, couplées avec l’intelligence artificielle, doivent permettre de déceler les premiers signes d’une maladie avant que les symptômes cliniques n’apparaissent et ainsi d’identifier précocement des personnes à risque de développer une démence, par exemple la maladie d’Alzheimer. Pour disposer d’une base d’apprentissage adéquate, il faut soit : recruter un grand nombre de sujets sans symptôme, comme les 100 000 participants à la cohorte britannique UKbiobank, soit recruter des sujets à risque, comme les 2 300 participants de la cohorte française Memento prise en charge par la plateforme CATI. 
  • une deuxième application est d’augmenter la sensibilité des mesures, pour les réaliser plus vite et avec moins de patients. Dans ce cas, la quantité de données d’imagerie doit permettre de prédire l’évolution des patients, afin d’enrichir les essais cliniques en recrutant seulement ceux dont l’état à de fortes probabilités de se dégrader rapidement. 
  • une troisième application du « big data » appliqué à l’imagerie et à la génétique est la stratification des patients en sous-groupes homogènes dans le cas de syndromes complexes comme la maladie d’Alzheimer, afin de décrypter et de mieux comprendre les différents aspects de la maladie.
  • une quatrième application consiste à utiliser la puissance de l’intelligence artificielle pour reconstruire des images d’une qualité similaire à celles obtenues à partir de jeux de données complets en n’acquérant seulement qu’une faible fraction des données. En plus de permettre une reconstruction d’image plus rapide, ces algortihmes vont permettre de réduire le temps d’examen et d’accroitre le nombre d’individus pris en charge à l’hôpital.