Des physiciens de l'Université nationale australienne (ANU) ont combiné la nanotechnologie, l'intelligence artificielle et la biologie moléculaire pour concevoir une nouvelle façon de rechercher des marqueurs protéiques de la maladie d'Alzheimer dans le sang. Ces marqueurs sont des signes révélateurs d'une neurodégénérescence précoce, et une détection précoce constitue notre meilleure défense contre une intervention efficace dans la progression de la maladie d'Alzheimer. Bien qu’il n’existe actuellement aucun remède contre la maladie, si les symptômes peuvent être détectés jusqu’à 20 ans à l’avance, dès leur apparition, cela pourrait potentiellement modifier radicalement les résultats en matière de santé.
Même si de nombreuses recherches se sont concentrées sur le développement de thérapies ciblées pour traiter la maladie d'Alzheimer à un stade avancé, de nombreux progrès ont également été réalisés dans le domaine des diagnostics avancés.
Le professeur Patrick Kluth, co-auteur de l'École de recherche physique de l'Université nationale australienne, a déclaré : « Actuellement, le diagnostic de la maladie d'Alzheimer repose principalement sur des preuves d'une détérioration intellectuelle à un stade où la maladie a gravement endommagé le cerveau. La détection précoce est cruciale pour un traitement efficace, mais nécessite souvent des procédures invasives et coûteuses telles que des ponctions lombaires à l'hôpital, qui peuvent imposer un fardeau physique et mental aux patients. »
Les chercheurs ont développé une puce de silicium ultra-mince recouverte de trous à l'échelle nanométrique, appelés nanopores solides. Une petite quantité de sang est ensuite placée sur la puce et, grâce au processus de transfert de nanopores, le mélange complexe de protéines contenues dans le sang peut être séparé. La puce est ensuite insérée dans un appareil de la taille d'un téléphone mobile, où un algorithme d'intelligence artificielle recherche des protéines qui correspondent à une signature protéique associée à la maladie d'Alzheimer précoce.
Les chercheurs ont découvert qu’en classant les signaux protéiques en fonction de leurs propriétés, le modèle présentait une précision considérablement élevée (spécificité de 96,4 %) dans l’identification de quatre combinaisons de protéines apprises par machine. Parce que les protéines contiennent des schémas génétiques uniques et personnalisés, elles pourraient jouer un rôle encore plus important dans le diagnostic médical si la technologie appropriée était disponible.
Le co-auteur Shankar Dutt, chercheur à l'Université nationale australienne, a déclaré : « Si la personne peut découvrir son niveau de risque aussi longtemps à l'avance, elle aura alors suffisamment de temps pour commencer à apporter des changements agressifs à son mode de vie et à des stratégies de traitement médicamenteux qui peuvent aider à ralentir la progression de la maladie. »
Les chercheurs notent que même si la nouvelle technologie se concentre sur la maladie d'Alzheimer, les algorithmes qu'elle utilise peuvent être entraînés à rechercher d'autres maladies et à les détecter simultanément. Ces maladies comprennent la maladie de Parkinson, la sclérose en plaques (SEP) et la sclérose latérale amyotrophique (SLA).
"Le sang est un fluide complexe contenant plus de 10 000 molécules biologiques différentes", a déclaré Dutt. "En employant des techniques de filtration avancées et en tirant parti de notre plateforme nanopore, combinée à nos algorithmes intelligents d'apprentissage automatique, nous pourrons peut-être identifier les protéines les plus insaisissables."
Clouse a ajouté que l'équipe espère que la technologie de dépistage sera disponible dans les cinq prochaines années, permettant aux patients d'obtenir des résultats « en temps quasi réel ».
"Ce test simple et rapide peut être effectué par des médecins généralistes et d'autres cliniciens, éliminant ainsi le besoin de visites à l'hôpital et est particulièrement pratique pour les personnes vivant dans des zones régionales et éloignées", a-t-il déclaré.
La recherche a été publiée dans la revue SmallMethods.