Utilité de l'apprentissage automatique pour l'analyse des données métabolomiques sériques dans la maladie de Crohn pédiatrique

Résumé :

Contexte

La pathogenèse de la maladie de Creutzfeldt-Jakob reste mal comprise, mais les données suggèrent que la génétique, l'environnement, la réponse immunitaire et les microbes intestinaux jouent un rôle. Les modifications microbiennes peuvent contribuer à l'inflammation chronique et être corrélées à la gravité de la maladie. La métabolomique reflète les interactions entre la fonction immunitaire de l'hôte et la fonction microbienne intestinale en quantifiant les composés dans les échantillons biologiques. Par conséquent, la métabolomique offre une occasion unique de mieux comprendre la pathogenèse des maladies chroniques de l'intestin.

Objectifs

Corréler la gravité de la maladie, les métabolites et les données cliniques en appliquant des algorithmes d'apprentissage automatique dans la maladie de Crohn pédiatrique (MCP).

Méthodes

ImageKids est une étude multicentrique, prospective, d'observation de cohorte, menée pour développer des indices d'entérographie par résonance magnétique (ERM) pour les pCD. Des échantillons de sérum appariés ont été prélevés au début de l'étude (visite 1 ; V1) et à la fin de l'étude (visite 4 ; V4 ; 18 mois) chez 120 patients souffrant d'entéropathie chronique. Le sérum des patients présentant des scénarios cliniques représentatifs et les échantillons appariés ont été analysés au Metabolomics Innovation Centre (TMIC ; Université de l'Alberta) et 131 métabolites ont été identifiés. Les métabolites ont été analysés au moyen d'algorithmes d'apprentissage automatique non supervisés (U.ML) et supervisés (S.ML) basés sur la bibliothèque Scikit-learn en Python. L'analyse en composantes principales (ACP) a été utilisée pour identifier le modèle de variation du métabolome des patients. Des classificateurs et des algorithmes de régression ont été entraînés pour évaluer la corrélation avec l'activité de la maladie.