L’intelligence artificielle (IA) a permis, pour la première fois, d’identifier deux types biologiquement distincts de sclérose en plaques (SP), grâce à une combinaison simple de test sanguin et d’imagerie cérébrale par résonance magnétique (IRM), dans une étude menée par l’UCL et Queen Square Analytics, une société issue de l’UCL. Cette recherche, publiée dans la revue Brain, a porté sur 634 participants issus de deux essais cliniques. Les chercheurs ont mesuré les niveaux sanguins d’une protéine spécifique, la chaîne légère des neurofilaments (sNfL), qui reflète l’ampleur des lésions des cellules nerveuses et sert d’indicateur fiable de l’activité de la maladie. Ces données sNfL ont été combinées avec des IRM cérébrales, permettant d’évaluer l’étendue de la progression de la maladie, puis analysées par un modèle d’apprentissage automatique développé par l’UCL, nommé SuStaIn (Subtype and Stage Inference). Ce système a permis de distinguer deux sous-types clairement distincts de SP, révélant des profils biologiques fondamentaux inconnus jusqu’alors. Selon le Dr Arman Eshaghi, auteur principal de l’étude (UCL Queen Square Institute of Neurology et UCL Hawkes Institute, UCL Computer Science), « la SP n’est pas une seule maladie, et les sous-types actuels ne reflètent pas les changements tissulaires sous-jacents, ce que nous devons comprendre pour mieux la traiter ». Grâce à l’IA, associée à un marqueur sanguin largement accessible et à l’IRM, les chercheurs ont identifié pour la première fois deux motifs biologiques nets de la SP. Cette avancée devrait permettre aux cliniciens de mieux situer chaque patient sur le parcours de la maladie, d’anticiper les risques de nouvelles lésions cérébrales et d’adapter les soins de manière plus personnalisée. Queen Square Analytics (QSA), spin-off de l’UCL fondé en 2020 par le Dr Eshaghi avec le soutien des professeurs Frederik Barkhof, Geoff Parker et Daniel Alexander, ainsi que d’UCL Business, l’entité de valorisation de l’UCL, propose des services de recherche contractuelle pour les essais cliniques en neurologie, en particulier en SP. Grâce à l’analyse de grands ensembles de données et à l’IA, QSA parvient à repérer des schémas de sous-types de maladie autrefois invisibles. Ces sous-types, basés sur des données, peuvent être associés à des traitements ciblant précisément les modifications biologiques identifiées, favorisant ainsi le choix de thérapies plus efficaces. L’un des bénéfices majeurs de cette approche réside dans la possibilité d’une intervention plus précoce. En effet, les changements observés dans les images cérébrales et les biomarqueurs sanguins apparaissent avant l’apparition de symptômes cliniques, ce qui permet de prédire avec plus de précision l’aggravation de la déficience. Près de 2,8 millions de personnes à travers le monde vivent avec la SP, une maladie qui frappe souvent les jeunes adultes, entraînant une invalidité significative à un stade précoce. Or, les catégories actuelles, basées sur l’évolution clinique, ne reflètent pas les mécanismes biologiques sous-jacents, ce qui crée un décalage entre le diagnostic et la physiopathologie. En conséquence, les traitements, choisis en fonction des symptômes, peuvent s’avérer inefficaces s’ils ne ciblent pas les causes profondes. Des marqueurs mesurables, issus des IRM ou du sang, offrent une fenêtre sur la biologie réelle de la maladie, ouvrant la voie à des approches thérapeutiques plus ciblées et plus efficaces.