Prédiction de la psychose par machine-learning intégrant la neuroimagerie aux données multiomiques.

par Anton Iftimovici

Projet de thèse en Neurosciences

Sous la direction de Marie-odile Krebs.

Thèses en préparation à l'Université de Paris (2019-....) , dans le cadre de 562 Bio Sorbonne Paris Cité , en partenariat avec Commissariat de l'Énergie Atomique, Neurospin (equipe de recherche) depuis le 14-11-2018 .


  • Résumé

    La moitié des maladies psychiatriques se manifeste avant l’âge de 14 ans, et les trois quarts avant 24 ans, suggérant que l’enfance, l’adolescence, et le début de l’âge adulte sont des fenêtres de grande fragilité aux troubles mentaux. La schizophrénie survient ainsi à l’adolescence tardive chez des individus à risque, repérables cliniquement, et dont environ un tiers développera une psychose dans les trois ans. Cette transition psychotique résulte d’interactions entre un terrain de vulnérabilité génétique, pouvant conduire à des anomalies du neurodéveloppement, et un stress environnemental, impliquant des mécanismes épigénétiques qui correspondent à des changements de l’expression des gènes, sans modification génétique, et regroupant plusieurs mécanismes tels que la méthylation de l’ADN ou la régulation des microARNs. Notre objectif est d’intégrer ces données de neuroimagerie et d’épigénétique afin de caractériser les mécanismes physiopathologiques menant à la maladie, et déterminer ainsi des signatures biologiques prédictives du risque de psychose. En combinant un apprentissage effectué par analyse supervisée et non-supervisée sur de larges cohortes de neuroimagerie transnosographique, avec une approche multiomique dans une cohorte française d’adolescents et jeunes adultes à risque de psychose, nous émettons l’hypothèse qu’il est possible de distinguer de tels marqueurs diagnostiques et pronostiques, nécessaires au développement d’une médecine personnalisée.

  • Titre traduit

    Neuroimaging and multi-omic machine learning analysis to predict conversion to psychosis.


  • Résumé

    Half of all psychiatric illnesses manifest themselves before the age of 14, and three-quarters before the age of 24, suggesting that childhood, adolescence, and early adulthood are timeframes of great vulnerability to mental disorders. Schizophrenia thus occurs in late adolescence in at-risk, clinically identifiable individuals, about a third of whom will develop psychosis within three years. This psychotic conversion results from interactions between genetic vulnerability, which can lead to neurodevelopmental abnormalities, and environmental stress, involving epigenetic mechanisms. These mechanisms correspond to changes in gene expression, without genetic modification, and encompass several mechanisms such as DNA methylation and microRNA regulation. Our goal is to integrate neuroimaging and epigenetic data to characterize the pathophysiological mechanisms leading to disease, and thus determine biological signatures predictive of the risk of psychosis. By combining supervised and unsupervised machine-learning analysis on large transnosographic neuroimaging cohorts, with a multiomic approach in a French cohort of adolescents and young adults at risk of psychosis, we hypothesize that it is possible to distinguish such diagnostic and prognostic markers, necessary for the implementation of personalized medicine.