Mettre en place un protocole d'analyse des valeurs atypiques dans l'EM/SFC afin d'identifier les facteurs aggravants de la maladie ou des symptômes qui pourraient ne pas être pris en compte chez la personne atteinte d'EM/SFC (y compris les mutations génétiques, les toxines élevées), puis développer un logiciel permettant d'identifier rapidement ces anomalies potentielles.
Ce logiciel permettrait d’identifier rapidement les facteurs d’aggravation de la maladie ou des symptômes qui pourraient être dus à une mutation génétique des facteurs de perturbation environnementaux chez les personnes atteintes d’EM/SFC. Cela permettra de mieux comprendre l’expression des symptômes de l’EM/SFC et d’identifier les problèmes secondaires ou les déclencheurs chroniques qui exacerbent ou entretiennent la maladie. L’identification de ces problèmes ou facteurs de stress permettra de les traiter avec plus de précision et d’améliorer la qualité de vie des personnes atteintes d’EM/SFC
DESCRIPTION DU PROTOCOLE
Le logiciel développé utilisera l’apprentissage automatique pour identifier les anomalies atypiques qui sont cohérentes avec les données génomiques, protéomiques et métabolomiques d’un individu. Un rapport sera produit pour mettre en évidence la probabilité de mutations génétiques liées à un effet fonctionnel.
ÉLABORATION DE PROTOCOLES
Les données requises pour développer ce logiciel seront immenses et seront constituées de nombreux ensembles de données déjà obtenus auprès de nos collaborateurs. De nombreux travaux d’amorçage et de test de ce logiciel seront réalisés grâce à l’accumulation de données de génomique, de métabolomique et de symptômes provenant de 300 patients atteints d’EM/SFC.
Les mutations génétiques, les niveaux de métabolites et les données sur les symptômes seront analysés afin d’identifier les métabolites atypiques et les métabolites qui sont fortement liés aux données sur les symptômes. Les mutations génétiques et les facteurs environnementaux seront considérés comme les causes de ces valeurs atypiques grâce à la technologie d’apprentissage par machine.
Un logiciel sera développé spécifiquement pour stocker les modèles élaborés à partir des données des patients et pour vérifier plus rapidement ces modèles par rapport aux nouvelles données des patients afin d’identifier rapidement les problèmes potentiels qui peuvent exacerber ou déclencher les symptômes chez les personnes atteintes d’EM/SFC.