 |
La collecte de données cliniques
peut conduire à l'identification des
«empreintes moléculaires» pour les
patients, concernant le génotype
|
La collecte et le stockage des informations biomoléculaire et clinique est plus accessible et moins cher que jamais. Un défi majeur est maintenant de comprendre les vastes volumes de données en cours de production, qui est l'endroit où les modèles informatiques complexes peuvent jouer un rôle vital.
Les progrès de la technologie et le développement de nouvelles méthodes expérimentales ont eu un impact significatif sur l'étude de la maladie. Cela a conduit à de nouvelles orientations de recherche, y compris: l'acquisition de «empreintes moléculaires» détaillées des patients contenant des informations, par exemple, le génotype, expression génique ou protéique, ou les niveaux de métabolites; l'étude des processus intracellulaires dans les tissus sains et malades par la manipulation de l'activité des gènes dans les cellules; et la construction de bases de données spécifiques à la maladie complets qui combinent les antécédents médicaux des patients avec des données de laboratoire et cliniques ainsi que d' économiser des échantillons de tissus pertinents .
L’analyse et la modélisation informatique peut aider à comprendre les données recueillies. Dans un premier temps, les empreintes moléculaires peuvent être utilisées pour identifier des biomarqueurs qui indiquent un risque élevé de contracter une maladie ou pour confirmer le diagnostic. Information sur les processus intracellulaires peut être utilisé pour construire des réseaux artificiels des interactions moléculaires impliqués et d'évaluer leur rôle dans la maladie, tandis que les modèles dynamiques quantitatifs plus complexes peuvent suivre les processus moléculaires sous-jacents au fil du temps. De tels réseaux pourraient aussi aider à prédire à la fois l'évolution probable de la maladie et sa réponse au traitement .
Le maintien et l'analyse de bases de données spécifiques à la maladie, il faudra des ressources de calcul importantes. Bien que ce soient un effort de collecte et d'analyse des données gargantuesques, les résultats aident à guider la prise de décision clinique et adapter les approches thérapeutiques pour l'individu plutôt que le patient «moyen». Par exemple, les médecins peuvent utiliser des mesures des biomarqueurs d'un patient en plus de leur histoire médicale et clinique au moment de choisir quel est le schéma de traitement à prescrire.
DIFFICULTÉS DE DONNÉES
Bien que ces stratégies sont prometteuses, la recherche est à un stade relativement précoce et il y a beaucoup de problèmes à résoudre. La gamme de données spécifiques à la maladie sont recueillis sur une base systématique doit être augmentée. Davantage d'informations devraient provenir d'études longitudinales, dans lesquelles des échantillons ou les patients sont suivis au fil du temps. Ces données devraient être de haute qualité et adapté à la comparaison; de nombreuses nouvelles technologies sont sujettes à des variations expérimentales, limiter-ment leur utilité dans le cadre clinique. Par conséquent, il est important d'avoir des modèles de com-computationnelle permettant de distinguer la variation technologique de la vraie différence biologique.
Un autre défi majeur concerne les difficultés chercheurs peuvent rencontrer lorsqu'ils souhaitent accéder à des données cliniques et des échantillons biologiques pertinents. De nombreuses questions juridiques et éthiques liées à la vie privée et à la protection des données personnelles doivent être abordées - ainsi que de nombreuses questions d'organisation - si cette situation est d'améliorer.
Les chercheurs ont besoin d'outils statistiques fiables, précis et fiables pour faire face à l'information produite. Il est trop facile pour des résultats faussement positifs à être produites à partir de petits échantillons de données complexes. De même, sans techniques statistiques sophistiquées, il est impossible d'incorporer des éléments de hasard dans les processus dynamiques. Les technologies utilisées pour visualiser les résultats des activités de modélisation sont tout aussi importants; ils doivent être en affichant des résultats d'une manière qui peut être facilement comprise par ses collègues scientifiques et collègues médicaux convivial. La nature intuitive de ces présentations visuelles est essentielle lors de l'étude des systèmes biologiques complexes.
POSSIBILITÉS DE MODÉLISATION
Les maladies telles que le VIH / SIDA, la tuberculose, l' hépatite C , la grippe et le paludisme affectent de grandes populations de patients, ce qui en fait une utilisation particulièrement importante de la modélisation informatique. Les modèles doivent être mis à jour régulièrement pour suivre l'évolution rapide des agents infectieux.
Les interactions entre un agent pathogène et son hôte. Une approche de modélisation basée sur des réseaux moléculaires peut révéler des informations sur la relation entre un agent pathogène et son hôte. Le développement de modèles dynamiques qui montrent comment les agents infectieux se répliquer dans les cellules sera une étape importante, comme quantitatives descriptions de propagation pathogène à travers les tissus et organes.
La conception d’un vaccin. Les modèles informatiques peuvent prédire l'issue probable de l’amélioration des stratégies de conception de vaccins , comme la meilleure combinaison d'un antigène avec un agent pour stimuler la réponse immunitaire. L'analyse des données permet également d'identifier des biomarqueurs qui révéleront si un nouveau vaccin est efficace, ce qui pourrait considérablement réduire la durée et le coût des essais cliniques.
L’évolution des pathogènes. Les maladies infectieuses évoluent rapidement pour échapper à la réponse immunitaire. Ce processus peut être modélisé afin de sélectionner la meilleure souche virale à utiliser dans des lots d'un vaccin. Ces analyses de «dérive évolutive 'virale influencent déjà la conception de vaccins contre la grippe saisonnière (Fig.1).
De même, l'évolution rapide des agents pathogènes peut conduire au développement d'une résistance à la thérapie médicamenteuse. En modélisant ce processus en utilisant un programme statistique, il est possible de prédire le succès relatif des différentes stratégies de traitement (voir Faits saillants encadré ci-dessous à gauche). La poursuite du développement des outils de calcul intégrera les données du patient et de l'histoire thérapeutique dans l'analyse.
Epidemiology. Les modèles qui vont au-delà biologie pour inclure des données démographiques et les aspects sociaux du comportement humain peuvent prédire le risque d'infection, et comment la maladie se propage, à la fois localement et globalement.
TIRANT ENSEMBLE
La plupart des efforts de maladies modélisation récentes se concentrent uniquement sur un aspect limité du processus de la maladie. Afin de créer des outils plus réalistes et utiles, il est important d'intégrer ces approches et de développer des modèles plus dynamiques à grande échelle. Ce sera un défi, notamment en raison des différentes échelles de temps impliquées: les modèles de progression de la maladie et de guérison jours de portée, voire des années, alors que les réactions chimiques peuvent être complétés en quelques microsecondes.
>> Efforts de maladies modélisation les plus récents se concentrent uniquement sur un aspect limité du processus de la maladie.
La plupart des applications présentées ici sont à un stade précoce; cependant, il est possible de beaucoup de progrès au cours des 5 prochaines années. En fin de compte, des informations basées sur des modèles de maladie de calcul seront bénéfique pour les patients en améliorant le diagnostic et le pronostic, en aidant à développer de nouveaux traitements et de réduire considérablement le risque d'un traitement inadéquat ou même dommageable.
L'Institut Max Planck pour l’informatique a développé des modèles bio-informatique de l’infection par le VIH qui prennent en charge le traitement clinique des patients atteints du SIDA. En collaboration avec les virologues et les médecins dans toute l’Allemagne, les modèles ont été obtenus avec des techniques d'apprentissage statistique, basée sur des données cliniques recueillies au cours de deux décennies. Ils peuvent être interrogés librement sur Internet et sont utiles dans les derniers stades de l’infection, lorsque les options thérapeutiques sont limitées