Lorsqu’un test génétique révèle une mutation rare dans l’ADN, les médecins et les patients se retrouvent souvent confrontés à une incertitude quant à ses conséquences réelles. À l’Icahn School of Medicine at Mount Sinai, des chercheurs ont développé une nouvelle méthode puissante pour estimer si une personne portant une telle mutation est susceptible de développer une maladie, un concept appelé pénétrance génétique. Cette approche combine intelligence artificielle (IA) et des analyses de laboratoire courantes — comme le taux de cholestérol, les bilans sanguins ou la fonction rénale — pour offrir une évaluation plus précise et fondée sur des données réelles. Publiée dans la revue Science sous le titre « Machine learning-based penetrance of genetic variants », l’étude s’inscrit dans une démarche visant à dépasser les résultats binaires (« malade/non malade ») des études génétiques traditionnelles. De nombreuses maladies, telles que l’hypertension, le diabète ou certains cancers, ne se manifestent pas de façon binaire, mais s’inscrivent dans une continuité de risque. Les chercheurs ont donc entraîné des modèles d’apprentissage automatique à évaluer le risque de maladie sur une échelle continue, offrant une vision plus fine et réaliste de la santé des patients. « Nous voulions aller au-delà des réponses simplistes qui laissent souvent les patients et les médecins dans l’incertitude », explique Ron Do, docteur en génétique et auteur principal de l’étude, professeur Charles Bronfman en médecine personnalisée. « En combinant l’IA aux données cliniques déjà présentes dans les dossiers médicaux électroniques — comme les résultats d’analyses de sang —, nous pouvons désormais mieux estimer la probabilité qu’un individu développe une maladie à la suite d’un variant génétique. C’est une méthode plus nuancée, évolutive et accessible, essentielle pour la médecine de précision, notamment pour les variants rares ou ambiguës. » Grâce à plus d’un million de dossiers médicaux électroniques, les équipes ont construit des modèles d’IA pour dix maladies courantes. Appliqués à des individus porteurs de variants génétiques rares, ces modèles ont généré des scores de pénétrance par apprentissage automatique (« ML penetrance ») compris entre 0 et 1. Un score élevé indique un risque accru de maladie, tandis qu’un score bas suggère un faible ou aucun risque. Plus de 1 600 variants ont été évalués ainsi, certains remettant en question des classifications antérieures : certains variants considérés comme « d’incertitude » ont montré des signaux clairs de maladie, tandis que d’autres, censés être pathogènes, se sont révélés sans impact réel dans les données réelles. « Notre modèle n’est pas destiné à remplacer le jugement clinique, mais à servir de guide précieux, surtout lorsque les résultats sont flous », souligne Iain S. Forrest, médecin et chercheur, auteur principal de l’étude. « Si un patient porte un variant lié au syndrome de Lynch et que son score est élevé, cela pourrait justifier un dépistage précoce du cancer. À l’inverse, un faible score permettrait d’éviter des inquiétudes ou des interventions inutiles. » Les chercheurs prévoient d’étendre le modèle à davantage de maladies, de variants génétiques et de populations diverses. Ils souhaitent également suivre à long terme les individus à haut risque pour vérifier si les prédictions se confirment et si les actions préventives améliorent réellement les résultats. « L’objectif est une médecine personnalisée où l’IA et les données cliniques ordinaires collaborent pour offrir des informations claires, concrètes et exploitables », conclut Ron Do. « Nous espérons que cette approche deviendra un outil scalable, permettant de mieux guider les décisions, d’améliorer la communication et de renforcer la confiance dans les résultats des tests génétiques. »