IndepMR: An Ontology-Driven, Ancestry-Aware Interactive R Shiny Framework for Automated Two-Sample and Multivariable Mendelian Randomization with Mediation Analysis Using Public GWAS Summary Data

Pour comprendre comment une habitude ou un trait spécifique pourrait être la cause d'une maladie, les scientifiques sont souvent confrontés à un problème délicat : les personnes possédant ce trait peuvent également partager d'autres habitudes cachées qui sont en réalité la cause de la maladie. Imaginez que vous essayiez de déterminer si la consommation d'un certain aliment provoque des problèmes cardiaques, mais que les personnes qui le consomment ont également tendance à fumer davantage. Il devient presque impossible de dire quel facteur est le véritable coupable. Pendant des décennies, les chercheurs ont utilisé un contournement ingénieux appelé la randomisation mendélienne pour lever cette confusion. Cette méthode repose sur le fait que nos gènes sont mélangés de manière aléatoire lors de la conception, un peu comme un ticket de loterie, bien avant notre naissance et bien avant que nous ne développions des maladies. Parce que ces variations génétiques sont assignées par hasard, elles agissent comme des marqueurs naturels et impartiaux. Si une personne porte un variant génétique qui fait que son corps produit naturellement plus d'une certaine substance, et que cette personne est également plus susceptible de développer une maladie spécifique, les scientifiques peuvent en déduire que la substance elle-même est probablement la cause de la maladie, plutôt qu'un autre facteur lié au mode de vie.

Cependant, utiliser cette loterie génétique pour résoudre des questions médicales réelles est devenu de plus en plus difficile à mesure que la quantité de données disponibles a explosé. Des milliers d'études massives existent désormais, répertoriant les liens génétiques avec tout, de la taille au diabète, mais elles sont dispersées dans différentes populations et décrites de manières confuses. Une étude peut lister ses participants comme « britanniques », tandis qu'une autre dira « européens », et une troisième pourrait mélanger « italiens et européens » dans une seule description. Sans un moyen de trier automatiquement ces étiquettes, les chercheurs pourraient accidentellement mélanger des données provenant de personnes génétiquement trop similaires, ce qui fausserait les résultats, ou ils pourraient manquer des études cruciales parce qu'ils ont cherché le mauvais mot. Un nouvel outil appelé IndepMR, développé par des chercheurs de l'Université de Colombo, vise à résoudre ces goulots d'étranglement. Il s'agit d'un programme informatique conçu pour agir comme un guide rigoureux, trouvant automatiquement les bonnes études génétiques, vérifiant que les personnes qui y participent sont compatibles, et effectuant des calculs complexes pour révéler de véritables relations de cause à effet sans exiger que l'utilisateur soit un expert en codage.

L'innovation fondamentale de ce nouvel outil réside dans sa manière de rechercher l'information et de vérifier les personnes derrière les données. Traditionnellement, si un chercheur voulait étudier une « glycémie élevée », il pourrait taper ces mots exacts dans une base de données. Mais une étude aurait pu utiliser le terme « glucose à jeun » ou « HbA1c » à la place, et une recherche simple passerait totalement à côté. IndepMR résout cela en utilisant une carte structurée de concepts biologiques, semblable à un arbre généalogique pour les maladies et les traits. Si un utilisateur recherche « glycémie élevée », le programme comprend que cela est lié au « glucose à jeun » et à l'« HbA1c » car ils partagent tous le même concept parent. Cela permet à l'outil de trouver chaque étude pertinente, même si les chercheurs ont utilisé des noms différents pour la même condition. Cette approche s'est avérée puissante lors du test de l'outil : en recherchant la catégorie large des « lipides », le nouvel outil a trouvé plus de 1 200 études, alors qu'une recherche par mots-clés standard n'en a trouvé que 166.

Il est tout aussi important de souligner la capacité de l'outil à vérifier l'ascendance des personnes dans les études. Pour que la loterie génétique fonctionne équitablement, le groupe de personnes fournissant les indices génétiques pour l'exposition (comme le poids corporel) et le groupe fournissant les indices pour le résultat (comme le diabète) doivent être génétiquement compatibles, mais ne pas être exactement les mêmes personnes. S'ils sont trop similaires, les résultats peuvent être biaisés ; s'ils proviennent d'arrière-plans ancestraux complètement différents, les marqueurs génétiques pourraient ne pas fonctionner de la même manière. Les outils existants laissaient souvent ce contrôle au chercheur humain, qui devait lire manuellement des descriptions textuelles comme « italien, européen » et deviner s'ils correspondaient. IndepMR automatise cela en décomposant ces descriptions en une hiérarchie standardisée. Il reconnaît qu'un « italien » est un type spécifique d'« européen », et il signale lorsqu'une étude utilise une étiquette large qui pourrait masquer un chevauchement spécifique. Cela empêche les chercheurs de comparer accidentellement deux groupes qui partagent le même pool génétique sous-jacent, une erreur qui pourrait conduire à de fausses conclusions.

Les chercheurs ont mis leur nouveau système à l'épreuve en examinant le lien entre l'indice de masse corporelle et le diabète de type 2, une question qui a été étudiée pendant des années mais qui donne des résultats différents selon la population. Ils ont lancé l'analyse deux fois : une fois en utilisant des données de personnes d'ascendance européenne et une fois en utilisant des données de personnes d'ascance asiatique. Dans le groupe européen, l'outil a confirmé ce que beaucoup attendaient : un indice de masse corporelle plus élevé provoque une augmentation significative du risque de développer un diabète de type 2. L'analyse était propre, sans signes d'erreurs cachées ou de signaux contradictoires. Cependant, l'histoire a changé lorsqu'ils ont examiné le groupe asiatique. L'outil a initialement trouvé un résultat qui semblait suggérer un effet protecteur, impliquant qu'un poids corporel plus élevé pourrait réduire le risque de diabète. Mais les vérifications automatisées ont immédiatement levé un drapeau rouge. Les données montraient de graves incohérences et des signes que les marqueurs génétiques captaient d'autres facteurs non liés. L'outil a correctement identifié que ce résultat surprenant était probablement peu fiable, dû à des biais cachés dans les données plutôt qu'à un véritable renversement biologique. Cela a démontré que l'outil ne se contente pas de produire des chiffres ; il agit comme un expert en contrôle qualité, indiquant aux chercheurs quand un résultat semble suspect.

Pour démontrer toute la puissance du système, l'équipe a également montré comment il gère les questions complexes impliquant une étape intermédiaire, ou médiateur. Ils ont tenté de voir si l'effet du poids corporel sur le diabète passait par un marqueur sanguin spécifique appelé HbA1c. L'outil les a guidés avec succès à travers les étapes de combinaison de trois ensembles de données génétiques différents. Cependant, il a également détecté un défaut de conception critique : l'étude sur le poids corporel et l'étude sur le marqueur sanguin provenaient exactement du même groupe de personnes. Dans une étude génétique appropriée, ces groupes devraient être distincts pour garantir que les résultats ne soient pas simplement le reflet des données des mêmes individus. L'outil a signalé ce chevauchement immédiatement, avertissant les chercheurs que toute conclusion tirée de cette combinaison spécifique serait biaisée. Cette caractéristique est vitale car elle empêche les chercheurs de perdre du temps sur des analyses erronées ou, pire encore, de publier des résultats qui semblent convaincants mais qui sont en réalité des artefacts de la conception de l'étude.

Le développement d'IndepMR représente un passage vers une analyse génétique sophistiquée accessible à quiconque possède une question scientifique, et pas seulement à ceux qui savent écrire des codes informatiques complexes. En automatisant les tâches fastidieuses et sujettes aux erreurs consistant à trouver les bonnes études, à vérifier leur compatibilité et à effectuer les tests statistiques nécessaires, l'outil permet aux chercheurs de se concentrer sur la biologie plutôt que sur la mécanique des données. Il impose un niveau de rigueur difficile à maintenir manuellement, garantissant que les réponses fournies sont basées sur des preuves solides et compatibles. Bien que l'outil ne puisse pas résoudre tous les problèmes — comme trouver une étude parfaite lorsqu'aucune n'existe — il fournit un environnement transparent et par étapes où les limites des données sont clairement visibles. En fin de compte, l'objectif est de rendre le processus de découverte de la cause et de l'effet dans la santé humaine plus fiable, en garantissant que les conclusions tirées de notre loterie génétique soient aussi précises que possible.