Et si les troubles psychiatriques majeurs pouvaient, demain, être identifiés à partir de signaux biologiques objectifs ? Une étude publiée dans la revue scientifique APL Bioengineering ouvre une voie prometteuse en combinant cellules souches humaines, neurosciences et intelligence artificielle pour détecter des signatures électrophysiologiques propres à la schizophrénie et au trouble bipolaire.
Jusqu’à présent, le diagnostic de ces pathologies repose essentiellement sur l’évaluation clinique des symptômes et des entretiens psychiatriques. Une approche indispensable, mais marquée par une part de subjectivité et par des recouvrements fréquents entre troubles. L’absence de biomarqueurs fiables constitue l’un des défis majeurs de la psychiatrie moderne.
Pour y répondre, les chercheurs ont adopté une stratégie expérimentale innovante. Ils ont utilisé des cellules souches pluripotentes induites (iPSC) issues de patients atteints de schizophrénie, de trouble bipolaire, ainsi que de volontaires sains. Ces cellules ont ensuite été différenciées en neurones humains, organisés soit en cultures bidimensionnelles, soit en organoïdes cérébraux tridimensionnels, capables de reproduire certains aspects fonctionnels du cerveau humain.
L’activité électrique de ces réseaux neuronaux a été enregistrée grâce à des réseaux de microélectrodes, permettant de mesurer avec précision la communication entre les neurones. Ces données complexes ont ensuite été analysées par des algorithmes de machine learning, notamment un classificateur de type Support Vector Machine, entraîné à reconnaître des motifs électrophysiologiques caractéristiques de chaque groupe.
Les résultats sont particulièrement marquants. Dans les cultures neuronales bidimensionnelles, l’algorithme a distingué les échantillons issus de patients schizophrènes de ceux des sujets sains avec une précision proche de 96 %, aussi bien en activité spontanée qu’après stimulation électrique. Dans les organoïdes cérébraux, la classification des trois groupes — sujets contrôles, schizophrénie et trouble bipolaire — a atteint plus de 90 % de précision après stimulation, contre environ 83 % au repos.
Un enseignement clé de l’étude réside dans le rôle de la stimulation électrique externe. Celle-ci met en évidence des différences fonctionnelles parfois invisibles à l’état basal, en particulier pour le trouble bipolaire, et améliore nettement la capacité des modèles d’intelligence artificielle à identifier les signatures propres à chaque pathologie.
Les signatures détectées ne se limitent pas à de simples variations de fréquence ou d’intensité des signaux neuronaux. Elles reposent sur des caractéristiques complexes des réseaux, intégrant la synchronisation, la dynamique collective et les interactions entre neurones — des paramètres difficiles à interpréter sans outils computationnels avancés.
Les auteurs soulignent que ces résultats ne constituent pas encore un outil diagnostique clinique, mais qu’ils représentent une preuve de concept solide. À terme, cette approche pourrait contribuer au développement de biomarqueurs objectifs, aider à différencier des troubles aux symptômes parfois proches, et ouvrir la voie à une psychiatrie de précision, mieux adaptée aux profils biologiques des patients.
En reliant intelligence artificielle et modèles neuronaux humains, cette étude marque ainsi une étape importante vers une compréhension plus fine, plus mesurable et plus personnalisée des maladies psychiatriques — un champ longtemps privé d’indicateurs biologiques robustes.
Ouiza Lataman
