Recevez chaque jour toute l'actualité du numérique

x

Harvard et Nvidia ont développé un système d'apprentissage automatique qui accélère l'analyse du génome

Développé par une équipe d'Harvard et des scientifiques de Nvidia, AtacWorks est un système d'apprentissage automatique qui permet de réduire le coût et le temps nécessaires pour séquencer l'ADN des cellules rares eucaryotes. Ces travaux offrent de nouvelles perspectives pour la découverte de médicaments.  
Twitter Facebook Linkedin Flipboard Email
×

Harvard et Nvidia ont développé un système d'apprentissage automatique qui accélère l'analyse du génome
Harvard et Nvidia ont développé un système d'apprentissage automatique qui accélère l'analyse du génome © PixxlTeufel - Pixabay

Des chercheurs de l'Université d'Harvard et des scientifiques de Nvidia ont développé une technique qui permet de réduire le temps et les coûts nécessaires pour le séquençage d'ADN des cellules rares eucaryotes, c'est-à-dire celles qui possèdent un noyau.

Les travaux ont été publiés dans la revue scientifique Nature Communications. Le système d'apprentissage automatique est lui disponible sur le catalogue NGC de Nvidia, qui regroupe un ensemble de logiciels dédiés au deep learning, à l'apprentissage automatique et au calcul haute performance (HPC)

Etudier l'expression des gènes
L'objectif de cette recherche était d'approfondir l'étude des modifications de la régulation et de l'expression des gènes de cellules rares, comme les cellules souches. Alors que la génétique correspond à l’étude des gènes, l’épigénétique s’intéresse à une "couche" d’informations complémentaires qui définit comment ces gènes vont être utilisés par une cellule ou ne pas l’être.

Le système d'apprentissage automatique, baptisé AtacWorks "nous permet d'étudier comment les maladies et les variations génomiques influencent des types très spécifiques de cellules du corps humain", a expliqué Avantika Lal, chercheur au sein de Nvidia et auteur principal de l'étude. "Nous espérons que cela contribuera également à la découverte de nouvelles cibles médicamenteuses", a-t-il ajouté.

Ainsi, AtacWorks permet d'effectuer des analyses sur un génome en entier en seulement une demi-heure, contre plus de 15 heures pour les méthodes traditionnelles, grâce au GPU NVIDIA Tensor Core.

Trouver les régions ouvertes de la chromatine
Les scientifiques ne partaient pas de zéro. Pour développer ce système d'apprentissage automatique, ils ont utilisé la méthode ATAQ-seq, présentée pour la première fois en 2013. Elle permet de caractériser les régions accessibles de la chromatine, c'est-à-dire le complexe d'ADN et de protéines contenu dans le noyau cellulaire des cellules eucaryotes.

L'étude de ces régions dans le génome des cellules saines et malades permet d'obtenir des informations essentielles pour identifier des mutations ou des biomarqueurs spécifiques qui rendent les gens plus vulnérables à certaines maladies, telles qu'Alzheimer, les maladies cardiaques ou les cancers. Ces connaissances peuvent ensuite aider à la découverte de médicaments en offrant aux chercheurs une meilleure compréhension des mécanismes de la maladie.

Quelques dizaines de cellules suffisent
Or, pour fonctionner, ATAC-seq nécessite généralement des dizaines de milliers de cellules. En appliquant AtacWorks aux données ATAC-seq, la même qualité de résultats peut être obtenue avec seulement des dizaines de cellules. Dans l'article de Nature Communications, les chercheurs de Harvard ont appliqué cette nouvelle méthode à un ensemble de données de cellules souches qui produisent des globules rouges et blancs, des sous-types rares qui ne pouvaient pas être étudiés avec les méthodes traditionnelles.

Avec un ensemble d'échantillons de seulement 50 cellules, l'équipe a pu utiliser AtacWorks pour identifier des régions distinctes d'ADN associées à des cellules qui se développent en globules blancs et des séquences séparées qui sont en corrélation avec les globules rouges. "Avec AtacWorks, nous sommes en mesure de mener des expériences sur une seule cellule qui nécessiteraient généralement 10 fois plus de cellules", s'est réjouit Jason Buenrostro, co-auteur du papier, professeur assistant à Harvard et développeur de la méthode ATAC-seq.

Réagir

* Les commentaires postés sur L’Usine Digitale font l’objet d’une modération par l’équipe éditoriale.