Identification de signatures biologiques prédictives de dimensions cognitives et sociales des troubles psychiatriques, par machine-learning.

par Anton Iftimovici

Projet de thèse en Neurosciences

Sous la direction de Marie-odile Krebs.

Thèses en préparation à Sorbonne Paris Cité , dans le cadre de 562 Bio Sorbonne Paris Cité , en partenariat avec centre de psychiatrie et neurosciences (equipe de recherche) depuis le 14-11-2018 .


  • Résumé

    La schizophrénie et les troubles neurodéveloppementaux tels que l’autisme et le TDAH ont un lourd retentissement, tant sur les patients que leurs familles et la société. Aucun biomarqueur n’existe cependant pour prédire à l’échelle de l’individu le diagnostic, le pronostic ou la réponse thérapeutique. De tels diagnostics restent cliniques et se fondent sur l’approche catégorielle discrète du DSM-5, qui est infirmée par la recherche récente en neurosciences. Ces maladies mentales complexes sont en effet le produit de facteurs de risque, de causes et de symptômes qui se superposent dans un continuum, partageant des anomalies de domaines cognitifs et sociaux mesurables (tels que l’attention, l’impulsivité ou le fonctionnement social). Dans une approche de médecine personnalisée, notre objectif est d’explorer les bases neurales de ces dimensions cognitives et sociales. Nous appliquerons des algorithmes d’apprentissage par la machine à une large cohorte transnosographique qui contient les données de 10 000 enfants, adolescents et jeunes adultes, agés de 5 à 21 ans, leurs phénotypes psychiatriques, comportementaux, cognitifs et socio-environnementaux, ainsi que des données d’imagerie cérébrale multimodale (anatomique, au repos, et fonctionnelle), d’électroencéphalographie, des enregistrements vocaux et vidéos, de la génétique et de l’actigraphie. À partir de cette cohorte, nous émettons l’hypothèse qu’il est possible de trouver des signatures prédictives de dimensions cognitives, et que l’apprentissage par la machine de telles dimensions cérébrales pourra être transféré à la cohorte française ICAAR d’adolescents et jeunes adultes demandeurs de soins psychiatriques, pour caractériser à un niveau génétique, moléculaire et hormonal les phénotypes d’imagerie prédisant la transition psychotique, identifiant ainsi des biomarqueurs et des voies physiopathologiques utiles pour le développement de futures thérapeutiques.

  • Titre traduit

    Mapping for biological signatures of cognitive and social dimensions in psychiatric disorders, using machine-learning.


  • Résumé

    Schizophrenia, and neurodevelopmental disorders such as autism and ADHD, have a great impact on affected individuals, their respective families and on society. However, they do not benefit yet of any biomarker that can predict, at an individual level, clinical endpoints such as diagnosis, prognosis and therapeutic-response. Their diagnosis remains clinical and is based on a DSM discrete categorical approach that is not supported by recent neuroscientific evidence. These complex mental disorders are indeed the product of shared risk factors, causes and symptoms overlapping on a spectrum, with abnormalities in intersecting cognitive and social dimensions that can be measured (e.g. attention, reward anticipation, impulsivity, social functioning). With respect to personalised medicine, it is our goal to investigate the neural basis of cognitive and social dimensions. We will apply machine-learning algorithms to a large transnosographic cohort of children, adolescents and young adults, containing psychiatric, behavioural, cognitive, and lifestyle phenotypes, as well as multimodal brain imaging (anatomical, resting-state and functional), electroencephalography, digital voice and video recordings, genetics and actigraphy. We make the hypothesis that we can find predictive signatures of dimensions based on such a cohort and that this machine-learning of brain signatures can be transferred to the French ICAAR clinical cohort of children, adolescents and young adults help-seekers of Sainte-Anne’s hospital. In combination with genetic, molecular and hormonal data, it will allow us to further characterise the neuroimaging endophenotypes relevant for conversion to psychosis, thus leading us to identify physiopathological pathways relevant not only as targets for future therapeutic strategies, but already as specific neuroimaging biomarkers predictive of schizophrenia.