Le profilage multiomique basé sur l’IA révèle des contributions omiques complémentaires à la prédiction personnalisée des maladies cardiovasculaires

Pourquoi il est important de prédire les problèmes cardiaques plus tôt

Les maladies cardiaques et les accidents vasculaires cérébraux restent les principales causes de mortalité dans le monde, frappant souvent des personnes apparemment en bonne santé sans prévenir. Les praticiens utilisent déjà des listes de contrôle basées sur l’âge, la tension artérielle, le cholestérol et le tabagisme pour estimer le risque, mais ces outils peuvent rater de nombreux futurs malades et surestimer le danger chez d’autres. Cette étude pose une question d’actualité : si l’on scrute plus en profondeur les molécules circulant dans le sang et qu’on les analyse avec l’intelligence artificielle, peut-on détecter les maladies cardiovasculaires des années avant leur manifestation — et personnaliser la prévention pour chaque individu ?

Regarder dans le sang pour trouver des signes d’alerte cachés

Les chercheurs ont exploité l’UK Biobank, un vaste projet de santé qui suit des centaines de milliers de volontaires sur de nombreuses années. Pour un sous-ensemble de ces participants, les scientifiques avaient mesuré avec précision des milliers de molécules dans des échantillons sanguins : de petits métabolites liés aux lipides, aux sucres et aux acides aminés, et des protéines impliquées dans l’inflammation, la coagulation et d’autres processus corporels. L’équipe s’est concentrée sur six affections cardiovasculaires majeures — maladie coronarienne, AVC, insuffisance cardiaque, fibrillation auriculaire, maladie artérielle périphérique et thromboses veineuses — pour vérifier si ces empreintes moléculaires pouvaient prédire qui développerait quelle maladie.

Apprendre à l’intelligence artificielle à lire les motifs moléculaires

Pour donner du sens à près de 3 000 protéines et 168 métabolites, les auteurs ont construit deux modèles d’apprentissage profond, MetNet et ProNet. Plutôt que de prédire une maladie à la fois, ces modèles ont appris des motifs liés aux six issues cardiovasculaires simultanément. À partir des données métabolitiques, MetNet a produit un score de risque combiné appelé MetScore ; à partir des données protéiques, ProNet a produit ProScore. Chaque personne a ainsi reçu six scores par système — un pour chaque type de maladie cardiovasculaire — résumant des millions d’interactions moléculaires possibles en quelques nombres utilisables par un modèle statistique standard conjointement avec l’âge, la tension artérielle, les médicaments et le risque génétique.

Dans quelle mesure ces scores moléculaires sont-ils meilleurs ?

Quand l’équipe a testé les scores sur un groupe indépendant de 24 287 personnes disposant de tous les types de données, MetScore et ProScore se sont révélés de puissants prédicteurs à eux seuls, séparant clairement les participants en groupes à risque faible, moyen et élevé sur 15 ans de suivi. Les scores basés sur les protéines ont donné les meilleures performances, dépassant souvent largement les mesures de risque polygénique (basées sur l’ADN). L’ajout de ProScore et MetScore aux facteurs cliniques conventionnels a amélioré la précision de la prédiction du risque pour chaque issue cardiovasculaire étudiée, même lorsque les modèles de base étaient déjà détaillés. Dans certains cas, en particulier pour la maladie artérielle périphérique et la fibrillation auriculaire, le gain de performance était substantiel, et des analyses de courbes décisionnelles ont suggéré que les médecins pourraient prendre des décisions plus bénéfiques quant à qui doit recevoir un traitement préventif.

Ce que les molécules révèlent sur la biologie des maladies

Au-delà de la prédiction, les chercheurs ont cherché à savoir quelles molécules spécifiques influençaient le plus les modèles d’IA en utilisant une méthode d’explicabilité appelée SHAP. Ils ont confirmé l’importance de marqueurs familiers tels que la créatinine et l’albumine (reflétant la fonction rénale et l’état de santé général), ainsi que des signaux inflammatoires comme GlycA et des protéines de stress cardiaque comme le NT-proBNP. En parallèle, les modèles ont mis en lumière des protéines et des métabolites moins connus associés à l’inflammation, la coagulation, le remodelage des vaisseaux et même les lésions nerveuses, avec des motifs en partie partagés et en partie spécifiques à chaque maladie. Il est intéressant de noter qu’aucune molécule isolée n’égale le pouvoir prédictif du MetScore ou du ProScore combinés, ce qui souligne que le risque cardiovasculaire résulte de nombreux changements subtils agissant de concert plutôt que d’un seul coupable.

Des mégadonnées vers des soins cardiaques plus personnalisés

L’étude conclut que l’intégration de la génétique, de profils sanguins moléculaires détaillés et d’informations cliniques de routine peut considérablement affiner notre capacité à identifier qui est susceptible de développer des maladies cardiovasculaires majeures, souvent une décennie ou plus à l’avance. Les mesures protéiques, en particulier, semblent porter une information riche et exploitable sur le stress biologique en cours bien avant l’apparition des symptômes. Bien que ces tests ne soient pas encore courants ni peu coûteux, leurs coûts diminuent, et les auteurs ont rendu leur approche CardiOmicScore disponible sous forme d’outil prototype. Avec des validations supplémentaires dans des populations plus diverses, un profilage multiomique piloté par l’IA pourrait aider les cliniciens à passer de listes standardisées à une prévention véritablement personnalisée — identifier plus tôt les individus à haut risque, adapter les traitements à la biologie sous-jacente et réduire potentiellement le fardeau mondial des maladies cardiaques et vasculaires.

Citation: Luo, Y., Zhang, N., Yang, J. et al. AI-based multiomics profiling reveals complementary omics contributions to personalized prediction of cardiovascular disease. Nat Commun 17, 2269 (2026). https://doi.org/10.1038/s41467-026-68956-6

Mots-clés: prévision du risque cardiovasculaire, protéomique, métabolomique, apprentissage profond, biomarqueurs