AI as a Biological Primitive: Individual Biological Simulation Without Population-Scale Reference Cohorts for Personalized Care and Drug Development

Dans la quête du traitement de maladies complexes, la médecine s'est longtemps appuyée sur une stratégie de moyennes. Les médecins et les chercheurs étudient de grands groupes de personnes pour identifier des modèles, puis appliquent ces règles générales à des patients individuels. Cette approche fonctionne bien lorsque tout le monde réagit de manière similaire, mais elle échoue lorsque la biologie d'une personne est unique ou lorsqu'un traitement standard échoue. Pour combler cette lacune, les scientifiques ont commencé à développer des « jumeaux numériques » — des modèles virtuels d'une personne spécifique qui peuvent être testés avec différents traitements avant que quoi que ce soit ne soit essayé sur le corps réel. Traditionnellement, cependant, ces modèles sont construits en prenant les données d'une population large et en les ajustant pour qu'elles correspondent à une seule personne. Ils partent du grand nombre pour tenter de se concentrer sur l'individu.

Une nouvelle ligne de recherche remet en question cette direction. Au lieu de partir d'une foule pour la réduire, cette approche demande si l'histoire détaillée d'une seule personne est suffisante pour construire un modèle fonctionnel d'elle-même. Si un médecin dispose d'archives suffisantes sur la façon dont le corps d'un patient réagit à la nourriture, aux médicaments et à la vie quotidienne, ces archives peuvent-elles seules créer une simulation fiable ? Cette question déplace l'attention de la recherche d'un patient qui correspond à un modèle de population vers la construction d'un modèle qui correspond à l'histoire propre du patient. Cela suggère qu'avec une observation suffisante, une personne n'a pas besoin d'être comparée aux autres pour être comprise ; ses propres actions passées peuvent devenir le laboratoire de ses soins futurs.

Maurice Antony Ewing, un chercheur chez Conquer Medical Health, a testé cette idée en utilisant un ensemble de données de douze personnes vivant avec le diabète de type 1. Ces individus ont été surveillés de près pendant huit semaines, générant près de 200 000 instantanés de leurs taux de glycémie, de leur utilisation d'insuline et de leurs activités quotidiennes. L'objectif était de voir si l'ordinateur pouvait apprendre un modèle pour chaque personne en utilisant uniquement ses propres données, sans s'appuyer sur les réponses moyennes des onze autres personnes ou de tout groupe plus large. Les chercheurs ont créé ce qu'ils appellent un « primitif biologique artificiel ». Voyez cela non pas comme un profil statique, mais comme une version numérique vivante et respirante du patient qui a appris ses propres règles de comportement à partir de sa propre histoire.

L'équipe a d'abord testé si ce modèle auto-construit pouvait identifier des voies viables vers un état de santé. Ils ont pris des moments où la glycémie d'un patient était dangereusement élevée et ont demandé au modèle : « Si vous preniez une action spécifique, comme une dose d'insuline ou un peu d'exercice, cela pourrait-il rapprocher votre glycémie d'une cible ? » Le modèle a identifié avec succès des interventions qui réduisaient l'écart entre l'état élevé actuel et une cible saine de près de 97 % dans les tests les plus flexibles. Cela a prouvé que le modèle pouvait cartographier les relations spécifiques entre les actions et les résultats pour cet individu, générant des interventions candidates plutôt que d'affirmer des effets de traitement causaux.

Cependant, le test plus critique consistait à voir si ce modèle individuel était véritablement différent d'un modèle construit sur la moyenne du groupe. Les chercheurs ont comparé les conseils donnés par l'histoire propre de l'individu par rapport aux conseils donnés par un modèle entraîné sur l'ensemble des douze personnes combinées. Les résultats étaient frappants : les deux modèles tombaient rarement d'accord. En fait, ils ne suggéraient le même plan de traitement que dans environ un quart des cas. La forme de la réponse — la façon dont le corps réagissait à un changement — était si unique à chaque personne que la moyenne du groupe était un guide médiocre pour l'individu. Cette découverte infirme l'idée qu'un patient puisse être représenté avec précision simplement en ajustant un modèle de population ; l'histoire de l'individu contient une géométrie de réponse que le groupe ne voit tout simplement pas.

Pour s'assurer que ces modèles numériques n'étaient pas de simples suppositions, les chercheurs ont observé ce qui se passait dans le monde réel lorsque ces personnes prenaient réellement de l'insuline ou faisaient de l'exercice. Ils ont mesuré à quel point la trajectoire de la glycémie d'une personne changeait après une intervention réelle par rapport aux moments où rien ne se passait. Les données ont montré que les traitements réels provoquaient un changement significatif et mesurable dans la trajectoire du corps, une « déformation » presque deux fois plus grande que les oscillations naturelles observées pendant les périodes stables. Cela a confirmé que l'histoire du corps détient un signal clair de la façon dont il réagit au changement, fournissant la matière première nécessaire pour construire une simulation fiable.

L'étude s'est ensuite déplacée vers une application pratique : utiliser le jumeau numérique pour tester de nouvelles idées avant de les essayer sur la personne. L'ordinateur a proposé des milliers de changements potentiels de traitement, tels que l'ajustement des doses d'insuline ou du moment de l'administration. Le système a ensuite vérifié ces propositions par rapport à l'histoire de la personne. Si la personne n'avait jamais essayé un ajustement spécifique, ou si son histoire montrait qu'un mouvement similaire avait mené à de mauvais résultats par le passé, le système le signalait comme risqué ou non soutenu. Remarquablement, environ 78 % des changements proposés avaient un précédent dans l'histoire de la personne, et parmi ceux-ci, près des deux tiers avaient bien fonctionné auparavant. Cela créait un filet de sécurité où l'ordinateur pouvait dire : « Nous avons déjà essayé cela, et cela a fonctionné », ou « Nous avons essayé cela, et cela a échoué », sans jamais avoir besoin d'expérimenter à nouveau sur le patient.

Crucialement, le modèle n'était pas statique. À mesure que l'état de la personne changeait d'heure en heure, la meilleure suggestion de traitement changeait aussi avec lui. Lorsque les chercheurs demandaient conseil au modèle à différents moments ou avec des objectifs différents, celui-ci donnait des réponses différentes dans plus des deux tiers des cas. Cela prouve que le modèle ne se contente pas d'assigner une personne à une catégorie fixe, comme « diabétique de type A », mais agit comme un partenaire expérimental dynamique qui évolue avec le patient.

Les chercheurs ont également testé si cette méthode fonctionnait au-delà du diabète. Ils ont appliqué la même logique à des données de niveau population concernant les politiques gouvernementales pendant la pandémie et à des données sur la façon dont les cellules cérébrales individuelles réagissent à des stimuli visuels. Dans les deux cas, le système a pu apprendre de l'histoire spécifique de ce système — qu'il s'agisse d'un pays ou d'un neurone — et simuler la façon dont il réagirait à de nouvelles entrées. Cela suggère que l'approche n'est pas limitée à un seul type de biologie, mais est une manière générale d'utiliser l'observation profonde pour comprendre comment n'importe quel système se comporte.

L'étude conclut que pour les soins personnalisés et le développement de médicaments, l'outil le plus puissant ne sera peut-être pas une base de données plus large d'autres personnes, mais un enregistrement plus profond de l'individu. En traitant l'histoire propre d'une personne comme la source primaire de vérité, les médecins et les chercheurs peuvent construire un laboratoire virtuel spécifique à cette personne. Cela leur permet de filtrer les traitements, de rejeter ceux que l'histoire dit qu'ils échoueront, et de prioriser ceux que l'histoire dit qu'ils fonctionneront, le tout avant qu'une seule pilule ne soit avalée ou qu'une seule injection ne soit administrée. Le travail ne prétend pas avoir résolu le problème de la maladie, mais il offre une nouvelle façon de penser celle-ci : que la réponse au problème unique d'un patient pourrait se trouver entièrement dans son propre passé, attendant d'être lue par une machine qui sait comment écouter.