Dans l’étude publiée en 2026 dans Nature Communications, les données de séquençage de l’exome entier d’une cohorte composée de 6 135 cas et de 6 245 témoins ont été utilisées pour prédire le risque de schizophrénie. Les chercheurs ont évalué des modèles de réseaux neuronaux d’interprétation génomique de bout en bout pour la prédiction du risque génétique. Les résultats ont montré qu’avec une taille d’échantillon suffisante, les réseaux neuronaux non linéaires étaient nettement plus performants que les modèles additifs traditionnels.
L’étude a indiqué que les interactions génétiques d’ordre supérieur entre les allèles et les variants associés à la schizophrénie devaient être prises en compte dans les modèles de génétique clinique et quantitative. Des techniques d’AI explicable ont été combinées à des connaissances biologiques préalables afin d’examiner les processus décisionnels des modèles. Cette méthode a permis de retrouver des gènes de risque de schizophrénie déjà connus, tout en mettant en avant BASP1, qui joue un rôle dans le développement neuronal, comme un possible gène de la schizophrénie encore insuffisamment étudié.
Certaines parties de l’article ont été adaptées de la thèse de doctorat de N. Verplaetse, accessible au public. L’étude a été menée par des chercheurs de KU Leuven et de l’Université de Montpellier-CNRS UMR 5535 ; elle a bénéficié du soutien de FWO, de CNRS Chaire de Professeur Junior, de Research Council KU Leuven, de CELSA, de Flemish Government et de AI Research Program. Les auteurs n’ont déclaré aucun conflit d’intérêts. L’article a été publié en libre accès sous licence Creative Commons Attribution-NonCommercial-NoDerivatives 4.0.
Pourquoi est-ce important ?
Les résultats montrent que les approches fondées uniquement sur la somme de variants individuels dans l’évaluation du risque génétique de schizophrénie pourraient ne pas suffire à saisir les interactions biologiques dans de vastes ensembles de données. Cette situation met en avant la question de savoir dans quelle mesure les modèles utilisés dans la recherche clinique prennent en compte les relations non linéaires et si leurs décisions sont explicables sur le plan biologique. L’utilisation conjointe de l’AI explicable et des connaissances biologiques offre un cadre méthodologique permettant d’éviter que les résultats des modèles ne restent de simples conclusions statistiques. Le fait que BASP1 se distingue comme gène candidat indique que les réseaux de gènes associés à la schizophrénie pourraient être élargis ; toutefois, la portée de cette découverte pour la prédiction du risque et le développement neuronal doit encore être précisée par des recherches ultérieures.