Making Accelerating Medicines Partnership Data Findable and Interoperable through a Common Data Model: Extending OMOP for Multi-Source Multimodal Data

La médecine moderne est de plus en plus pilotée par la capacité de lire les instructions moléculaires à l'intérieur de nos cellules. Les scientifiques peuvent désormais mesurer des milliers de ces instructions à la fois, créant de vastes bibliothèques de données qui décrivent comment les gènes se comportent chez les personnes en bonne santé et comment ils changent chez celles atteintes de maladies comme Alzheimer ou le diabète. Ces mesures, souvent appelées données « omiques », offrent une fenêtre puissante sur les rouages internes du corps. Cependant, un problème important est apparu : bien que les données existent, elles sont éparpillées. Différents projets de recherche stockent leurs découvertes dans des formats numériques différents, utilisant leurs propres étiquettes et systèmes de classement uniques. C'est comme si chaque bibliothèque d'une ville utilisait une langue différente pour cataloguer ses livres, ce qui rend presque impossible pour un chercheur d'entrer et de poser une question qui nécessite la lecture de plusieurs étagères à la fois. Cette fragmentation empêche les scientifiques de voir l'ensemble du tableau, comme le fait qu'un motif biologique trouvé dans une maladie puisse également apparaître dans une autre.

Pour résoudre ce problème, une équipe de chercheurs de l'Accelerating Medicines Partnership, une collaboration entre agences gouvernementales et entreprises privées, s'est donné pour mission de construire un système de classement universel pour ces données biologiques complexes. Ils n'ont pas inventé un nouveau langage à partir de zéro, ce qui aurait été lent et difficile à adopter pour la communauté scientifique. Au lieu de cela, ils ont pris un système existant, largement utilisé pour organiser les dossiers de santé cliniques, et l'ont soigneusement étendu pour gérer les besoins uniques des données moléculaires. Ce nouveau cadre, appelé le modèle de données communes SysBio (SysBio Common Data Model), agit comme un traducteur qui permet aux données de différentes sources d'être comparées côte à côte sans forcer les propriétaires originaux des données à modifier la façon dont ils stockent leurs fichiers. L'équipe a démontré que cette approche fonctionne en cartographiant avec succès les données de quatre projets de maladies différents, prouvant que les chercheurs peuvent désormais poser des questions larges sur différentes conditions et tissus en utilisant une requête unique et unifiée.

Le cœur de ce travail réside dans un compromis intelligent entre flexibilité et structure. Les chercheurs sont partis du modèle de l'Observational Medical Outcomes Partnership, un système standard déjà approuvé par des milliers de chercheurs à travers le monde pour organiser les dossiers des patients comme les diagnostics, les médicaments et les visites hospitalières. Bien que ce système soit excellent pour l'historique clinique, il manquait des outils spécifiques pour décrire comment les expériences moléculaires ont été réalisées ou où les fichiers numériques résultants étaient stockés. Pour corriger cela sans briser le système existant, l'équipe a simplement ajouté quatre nouvelles tables à la structure de la base de données. Ces nouvelles sections agissent comme des dossiers spécialisés pour enregistrer les détails sur les tests de laboratoire eux-mêmes — tels que le type de machine utilisée ou le protocole spécifique suivi — et pour pointer vers les fichiers numériques réels où se trouvent les données brutes. En reliant ces nouveaux dossiers aux dossiers des patients existants par des connexions standards, le modèle préserve l'intégrité des données cliniques originales tout en ajoutant le contexte nécessaire à l'analyse moléculaire.

Ce choix de conception était délibéré et pratique. Les chercheurs ont testé leur nouveau modèle par rapport aux données de onze ensembles de données couvrant quatre domaines de maladies majeurs, incluant Alzheimer, Parkinson et des maladies auto-immunes. Ces ensembles de données variaient considérablement dans leurs origines, contenant des informations provenant de tissus cérébraux, de sang et d'urine, collectées sur des patients avant et après le décès. Malgré ces différences, le nouveau modèle a réussi à les intégrer dans une structure commune. Le résultat est un système où un scientifique peut poser une question complexe, telle que « Trouvez tous les fichiers d'activité génique provenant d'échantillons rénaux de patients atteints de lupus », et l'ordinateur peut tracer le chemin depuis le diagnostic du patient jusqu'à l'échantillon de tissu spécifique, puis au test de laboratoire, et enfin au fichier numérique, le tout sans avoir besoin de connaître les particularités uniques du projet original qui a généré les données.

Un élément crucial de la réussite de ce système a été de s'assurer que les mots utilisés pour décrire les données signifient la même chose partout. Par le passé, un projet pouvait appeler un stade de maladie spécifique « Stade 3 » tandis qu'un autre l'appelait « Grade C », ce qui entraînait de la confusion lors de la combinaison de leurs résultats. Pour éviter cela, l'équipe a créé un registre central qui agit comme un dictionnaire, définissant exactement ce que signifie chaque terme et comment il doit être enregistré. Ils ont utilisé un flux de travail qui combine l'intelligence artificielle avec des experts humains pour mapper les termes désordonnés et variés des projets originaux vers ces définitions propres et standardisées. L'IA suggère les connexions, et les spécialistes humains les examinent pour garantir l'exactitude, créant ainsi un pont fiable entre les anciennes données cloisonnées et le nouveau modèle unifié. Ce processus garantit que lorsqu'un chercheur examine les données de deux études différentes, il compare réellement des pommes avec des pommes.

Le succès de ce projet suggère que la collaboration scientifique à grande échelle peut progresser sans exiger que chaque participant abandonne ses méthodes actuelles. Le modèle ne demande pas aux hébergeurs de données de déplacer leurs fichiers ou de reformater leurs bases de données ; au contraire, il fournit une couche d'organisation qui se superpose aux données existantes, les rendant trouvables et utilisables par d'autres. Les chercheurs ont montré que cette approche peut gérer la complexité de la biologie moderne, du type spécifique de tissus utilisés aux différentes machines qui ont généré les données. Bien que la version actuelle se concentre sur un ensemble spécifique de tests moléculaires, la conception est construite pour croître. L'équipe a tracé une voie pour ajouter de nouveaux types de données, tels que l'imagerie spatiale ou différentes mesures chimiques, en ajoutant simplement plus de détails spécifiques au cadre existant plutôt qu'en reconstruisant tout le système.

En fin de compte, ce travail transforme la manière dont les scientifiques peuvent explorer les connexions entre différentes maladies. En transformant un projet d'intégration difficile en une simple requête de recherche, le nouveau modèle lève un obstacle majeur à la découverte. Il permet aux chercheurs de chercher des signatures biologiques partagées entre des conditions qui étaient auparavant étudiées de manière isolée, révélant potentiellement de nouvelles cibles pour des traitements qui pourraient aider les patients souffrant de plusieurs maladies différentes. Le système reste assez flexible pour s'adapter à l'émergence de nouvelles technologies, garantissant que la vaste et croissante collection de données biomédicales puisse être exploitée à son plein potentiel. Les chercheurs ont rendu leur plan et les outils pour l'utiliser accessibles au public, invitant la communauté scientifique plus large à bâtir sur cette fondation et à poursuivre le travail consistant à rendre les données biologiques complexes accessibles à tous.