Les images de la rétine, qui a des connexions vasculaires avec le cerveau, sont une source précieuse d’informations biologiques et physiologiques. Des études ont démontré que certaines de leurs caractéristiques sont liées à plusieurs maladies liées au vieillissement, notamment la rétinopathie diabétique, les maladies cardiovasculaires ou la maladie d’Alzheimer. Les chercheurs de Google Research et leurs collègues ont utilisé le deep learning pour établir une horloge biologique ou horloge de vieillissement. Leur étude a été publiée sur eLife.
Nous avons deux âges différents : l’âge chronologique, c’est-à-dire notre âge réel et l’âge biologique, qui peut être plus faible ou plus élevé, influencé par la génétique mais aussi par de nombreux facteurs externes liés au mode de vie, notamment l’alimentation, l’exercice et les habitudes de sommeil, le stress ou le tabagisme. Les horloges de vieillissement permettent d’étudier ce dernier et aident à prédire le risque de maladies liées à l’âge.
La microvascularisation rétinienne pourrait être un indicateur fiable de la santé globale du système circulatoire du corps et du cerveau. Les changements oculaires accompagnent le vieillissement et de nombreuses maladies liées à l’âge telles que la dégénérescence maculaire liée à l’âge (DMLA), la rétinopathie diabétique et les troubles neurodégénératifs comme la maladie de Parkinson ou la maladie d’Alzheimer.
Les scans rétiniens, examens non invasifs très rapides, utilisant une source lumineuse de faible intensité et un capteur pour scanner les vaisseaux sanguins à l’arrière de la rétine sont couramment effectués par les ophtalmologues.
Des travaux antérieurs de Google ont montré qu’ils peuvent être utilisés pour prédire l’âge, le risque de maladie cardiovasculaire, le sexe ou le tabagisme. Dans cette étude, l’équipe a voulu étendre ces résultats au vieillissement afin d’identifier un nouveau biomarqueur utile pour les maladies humaines, elle a ainsi mis en évidence que les algorithmes de deep learning peuvent prédire avec précision l’âge biologique à partir d’une image rétinienne et révéler des informations qui prédisent mieux les maladies liées à l’âge chez les individus.
Prédire l’âge chronologique à partir d’images rétiniennes
Les chercheurs ont entraîné un modèle, nommé “eyeAge”, pour prédire l’âge chronologique en utilisant des centaines de milliers d’images rétiniennes d’un programme de prévention de la cécité basé sur la télémédecine, provenant de cliniques de soins primaires et anonymisées.
Ils ont ensuite évalué les performances de ce modèle à la fois sur un ensemble de 50 000 images rétiniennes et sur un ensemble de données de l’UKBiobank contenant environ 120 000 images. Les prédictions du modèle correspondent fortement à l’âge chronologique réel des individus, (Corrélation de Pearson : coefficient de 0,87), leur horloge de vieillissement rétinien se révèle la plus précise à ce jour.
Analyse de l’écart d’âge prévu et réel
Bien qu’eyeAge soit bien corrélé avec l’âge chronologique dans de nombreux échantillons, la figure ci-dessus montre également que, pour certaines personnes, l’âge oculaire diffère considérablement de l’âge chronologique, que ce soit dans les cas où le modèle prédit une valeur beaucoup plus jeune ou plus âgée que l’âge chronologique.
Pour vérifier si cette différence reflète des facteurs biologiques sous-jacents, les chercheurs ont exploré sa corrélation lors de bronchopneumopathie chronique obstructive (BPCO), d’infarctus du myocarde ou avec d’autres biomarqueurs de la santé comme la pression artérielle systolique.
Ils ont pu observé qu’un âge prédit supérieur à l’âge chronologique est en corrélation avec la maladie et les biomarqueurs de la santé dans ces cas. Par exemple, une corrélation statistiquement significative (p = 0,0028) a été démontrée entre l’âge oculaire et la mortalité toutes causes confondues, un âge oculaire plus élevé étant associé à un plus grand risque de décès au cours de l’étude.
Révéler les facteurs génétiques du vieillissement
Pour explorer davantage l’utilité du modèle eyeAge pour générer des informations biologiques, l’équipe a relié les prédictions du modèle aux variantes génétiques, qui sont disponibles pour les individus dans l’ensemble de données UKBiobank.
Les variantes génétiques, héritées des parents, sont fixées à la naissance, ce qui rend cette mesure indépendante de l’âge. Cette analyse a généré une liste de gènes associés au vieillissement biologique accéléré (étiquetés dans la figure ci-dessous).
Le gène le plus identifié dans cette étude d’association pangénomique est ALKAL2, une étude antérieure a montré qu’il jouait un rôle dans l’allongement de la durée de vie des mouches des fruits. L’un des auteurs de la présente étude, le professeur Pankaj Kapahi, de l’Institut Buck de recherche sur le vieillissement, a révélé dans des expériences de laboratoire que la réduction de l’expression du gène chez les mouches entraînait une amélioration de la vision, fournissant une indication de l’influence d’ALKAL2 sur le vieillissement du système visuel.
Conclusion
Pour Google Research :
« Notre horloge eyeAge a de nombreuses applications potentielles. Comme démontré ci-dessus, il permet aux chercheurs de découvrir des marqueurs du vieillissement et des maladies liées à l’âge et d’identifier les gènes dont les fonctions pourraient être modifiées par des médicaments pour favoriser un vieillissement en meilleure santé. Il peut également aider les chercheurs à mieux comprendre les effets des habitudes de vie et des interventions telles que l’exercice, l’alimentation et les médicaments sur le vieillissement biologique d’un individu. De plus, l’horloge eyeAge pourrait être utile dans l’industrie pharmaceutique pour évaluer le rajeunissement et les thérapies anti-âge. En suivant les changements dans la rétine au fil du temps, les chercheurs pourraient être en mesure de déterminer l’efficacité de ces interventions pour ralentir ou inverser le processus de vieillissement ».
Les chercheurs ont rendu public les Modifications du code utilisé pour ces modèles qui s’appuient sur des cadres ML pour analyser les images de la rétine précédemment publiés.
Ils espèrent que ces travaux aideront les scientifiques à créer de meilleurs processus pour identifier rapidement les maladies ou les risques de maladie et mèneront à des interventions plus efficaces en matière de médicaments et de mode de vie pour promouvoir le vieillissement en santé.
Références :
Blog de Google Research publié par Sara Ahadi, chercheuse, Sciences appliquées, et Andrew Carroll, chef de produit, Génomique.
Etude :“Longitudinal fundus imaging and its genome-wide association analysis provide evidence for a human retinal aging clock” https://doi.org/10.1038/s41591-019-0719-5
Auteurs : Sara Ahadi, Kenneth A Wilson, Boris Babenko, Cory Y McLean, Drew Bryant, Orion Pritchard, Ajay Kumar, Enrique M Carrera, Ricardo Lamy, Jay M Stewart, Avinash Varadarajan, Marc Berndl, Pankaj Kapahi.
