Genequest et Fujitsu dévoilent de nouvelles perspectives sur les relations entre génétique et mode de vie grâce à l'IA causale haute vitesse et fiable de Fujitsu Kozuchi.

Paris La Défense, 13 October 2025

Genequest Inc.
Fujitsu Limited

Traduction extraite du communiqué de presse publié le 3 octobre par Fujitsu Limited. Pour retrouver le communiqué de presse original, cliquez ici

Genequest Inc. et Fujitsu Limited ont annoncé aujourd'hui avoir découvert de nouvelles informations sur les relations causales entre la génétique et le mode de vie. La recherche a utilisé l'IA causale, une technologie clé du service d'IA Fujitsu Kozuchi de Fujitsu.

L'IA causale comprend trois fonctions principales

• La découverte causale à grande vitesse : les relations causales entre les données sont évaluées environ 1 000 fois plus rapidement que les technologies conventionnelles ;
• l'amélioration de la fiabilité : les données sont enrichies, incluant des connaissances causales établies (par exemple, des connaissances d'experts et des résultats d'expériences passées) ;
• et la proposition de mesures : visualise non seulement les relations causales grâce à une analyse conventionnelle, mais propose également des mesures optimales.

En utilisant l'IA causale, les parties ont obtenue une structure causale multiforme portant non seulement sur les corrélations individuelles, mais aussi sur la relation entre la préférence pour les aliments sucrés, la fréquence de consommation de café et d'alcool, et leurs traits génétiques associés, ainsi que l'impact des facteurs génétiques sur l'indice de masse corporelle (IMC). De plus, en réutilisant le modèle de réseau causal des bilans de santé de Hirosaki , développé par l'université de Kyoto et l'université de Hirosaki en collaboration avec le projet COI-NEXT de promotion de la santé d'Iwaki, et en l'appliquant à la fonctionnalité d'amélioration de la fiabilité, la recherche a pu suggérer des relations causales plus précises entre les habitudes de vie, la santé et les facteurs contextuels. L'utilisation du modèle de réseau causal Hirosaki de bilans de santé a été rendue possible grâce au cours collaboratif de recherche « Large Scale Medical AI » (Fujitsu Research Lab.) organisé par l'Université de Kyoto et Fujitsu.

¹ Méthode exclusive de découverte causale à grande vitesse de Fujitsu :
H. Suzuki, LayeredLiNGAM: A Practical and Fast Method for Learning a Linear Non-gaussian Structural Equation Model (ECML PKDD 2024)

²Modèle de réseau causal du bilan de santé d'Hirosaki :
Un réseau causal hautement fiable construit par le groupe de recherche de l'Université de Kyoto en appliquant sa technologie unique de réseau bayésien aux big datas multidimensionnelles sur la santé obtenue à partir des examens médicaux du projet de promotion de la santé d'Iwaki mené par l'Université de Hirosaki COI-NEXT.

³Cours collaboratif de recherche « Large medical AI » (Laboratoire de recherche Fujitsu)

Sur la base de l’estimation de ces relations causales, l’expectative est que la fonction de proposition de mesures aura la capacité de suggérer des mesures de santé optimisées individuellement, adaptées aux préférences alimentaires, aux habitudes de vie, au physique et aux caractéristiques génétiques de chacun. À l'avenir, Genequest continuera à faire progresser la recherche multidimensionnelle en combinant des questionnaires, des bilans de santé et des informations médicales, et vise à contribuer à l'exploration d'approches personnalisées de promotion de la santé et de prévention des maladies.

L'IA causale de Fujitsu est un outil puissant qui permet d'extraire de nouvelles informations à partir de données complexes et de soutenir la prise de décision dans un large éventail de domaines, sans se limiter aux domaines médicaux et génétiques. Fujitsu va accélérer ses efforts pour relever les défis et créer de nouvelles valeurs dans divers secteurs.

Yasushi Okuno, professeur, École supérieure de médecine, Université de Kyoto : « L'apparition des maladies est étroitement liée à la fonction génétique et à l'environnement de vie. Cependant, la relation entre ces deux facteurs et l'apparition des maladies est complexe, et de nombreux aspects restent inconnus. Cette initiative constitue une étape importante vers l'élucidation des causes objectives des maladies à partir de données et l'approfondissement de notre compréhension de leur apparition. Nous espérons vivement qu'elle contribuera à la mise en place de mesures préventives personnalisées et d'approches efficaces. »

Koichi Murashita, vice-président, professeur, vice-directeur de l'Institut des sciences du bien-être mondial, directeur général de l'Institut de recherche sur l'innovation en matière de santé de l'Université d'Hirosaki : « À l'Université Hirosaki COI-NEXT, nous nous efforçons de renforcer davantage la valeur sociale et scientifique de notre plateforme globale de données réelles, axée sur les big datas multidimensionnelles relatives à la santé (3 000 items) accumulées grâce aux bilans de santé du projet Iwaki Health Promotion Project, afin de créer une véritable innovation sociale. Nous sommes très heureux que les résultats de la recherche utilisant nos big datas aient fusionné avec des technologies de pointe pour créer de nouvelles connaissances. Nous espérons vivement que ces résultats contribueront au développement de la médecine préventive et à l'amélioration du bien-être mondial. »

Aperçu de la recherche

Aperçu de la recherche Grâce aux progrès de la science génomique, de nombreuses corrélations entre les gènes et la constitution physique/le comportement ont été rapportées. Cependant, il est difficile d'approfondir les relations causales (ce qui cause quoi et par quels mécanismes les effets se produisent), car cela nécessite de prendre en compte l'influence de multiples facteurs. Une analyse précise des données est particulièrement nécessaire dans les domaines impliquant des éléments complexes tels que les préférences alimentaires, les habitudes de vie et le physique.
Dans le cadre de cette recherche, les données génétiques et les données issues de questionnaires exhaustifs de Genequest ont été combinées à l'IA causale de Fujitsu, en utilisant la fonction de découverte causale à grande vitesse de Fujitsu pour analyser plus en profondeur ces mécanismes causaux complexes. Cela a démontré la capacité à analyser avec précision les facteurs cachés au sein de relations complexes et les interactions entre divers facteurs, contribuant ainsi à la création d'une nouvelle valeur.

Résultats
Dans le cadre de cette recherche, une analyse causale a été menée principalement dans les deux domaines suivants, à partir des données génétiques et des données issues de questionnaires remplis par environ 4 000 personnes consentantes, et en tirant parti des fonctions d'amélioration de la fiabilité et de proposition de mesures fournies par l'IA causale de Fujitsu.

1. Relation entre les traits génétiques liés au métabolisme de l'alcool et les habitudes alimentaires
   Alors que l'on pensait que des facteurs génétiques influençaient la préférence pour les aliments sucrés et la consommation de café, une analyse utilisant l'IA causale a révélé que cette association était probablement due principalement à la fréquence de consommation d'alcool, plutôt qu'à la seule tolérance génétique à l'alcool. De plus, en ce qui concerne la fréquence de consommation de café, aucun lien direct avec la fréquence de consommation d'alcool n'a été observé, ce qui suggère que la tolérance génétique à l'alcool pourrait être un facteur influent. Cela met en évidence l'impact potentiel de traits génétiques spécifiques sur les choix de boissons d'un individu.
2. Relation entre les traits génétiques liés au physique, aux habitudes alimentaires et à l'IMC
   À l'aide de scores polygéniques, un indice intégrant de nombreux facteurs génétiques liés à l'IMC, la relation causale entre la prédisposition génétique à l'obésité, les habitudes alimentaires et l'IMC a été analysée. Les résultats ont suggéré une association directe entre la prédisposition génétique à l'obésité et l'IMC, son impact statistique étant comparable à celui du sexe et de l'âge. De fines associations ont également été observées avec les préférences alimentaires, telles que les aliments gras et sucrés.

En particulier, l'analyse utilisant la fonction d'amélioration de la fiabilité grâce à la réutilisation du modèle de réseau causal bilans de santé de Hirosaki a permis d'obtenir des résultats plus précis. L'influence de la quantité des repas, précédemment suggérée comme un facteur majeur dans la variation de l'IMC après les scores polygéniques dans les analyses antérieures, a relativement diminué, tandis que les préférences pour les saveurs grasses et umami ont été suggérées comme des facteurs plus influents. En outre, des facteurs qui n'étaient pas pris en compte dans l'analyse, tels que les antécédents médicaux familiaux (cancer, hypertension, maladies cardiaques, etc.), la taille du sujet et sa situation professionnelle, ont été suggérés comme de potentielles causes conjointes dissimulées entre les variables.

De plus, les résultats de la recherche suggèrent que la fonction de proposition de mesures causales par l'IA pourrait être utilisée pour présenter des actions concrètes permettant d'atteindre des objectifs individuels (par exemple, réduction de l'IMC, amélioration de certaines habitudes alimentaires) sur la base de relations causales, en tenant compte des caractéristiques individuelles.

Date: 13 October 2025
Ville: Paris La Défense