Un outil d'IA prévoit les résultats du traitement du cancer à l'aide d'informations sur une cellule unique.
PERCEPTION, une approche basée sur l'IA, prédit les réponses au traitement du cancer avec une résolution unicellulaire. La méthode, validée lors d’essais cliniques, analyse la dynamique tumorale et la résistance aux médicaments, dans le but d’affiner les futures stratégies de traitement.
Avec plus de 200 types de cancer et chaque cancer étant unique, les efforts en cours pour développer des traitements oncologiques de précision restent intimidants. L’accent a été mis principalement sur le développement de tests ou d’analyses de séquençage génétique pour identifier les mutations dans les gènes responsables du cancer, puis sur la recherche de traitements susceptibles d’agir contre ces mutations.
Percée dans le traitement prédictif du cancer
Mais de nombreux patients atteints de cancer, sinon la plupart, ne bénéficient pas de ces thérapies ciblées précoces. Dans une nouvelle étude publiée aujourd'hui (18 avril 2024), dans la revue Cancer naturelpremier auteur Sanju Sinha, Ph.D., professeur adjoint au programme de thérapie moléculaire contre le cancer à Sanford Burnham Prebys, avec les auteurs principaux Eytan Ruppin, MD, Ph.D., et Alejandro Schaffer, Ph.D., au National Cancer Institut, qui fait partie du Instituts nationaux de la santé (NIH) — et ses collègues — décrivent un pipeline informatique unique en son genre pour prédire systématiquement la réponse des patients aux médicaments anticancéreux à une résolution unicellulaire.
Baptisée PERsonalized Single-Cell Expression-Based Planning for Treatments in Oncology, ou PERCEPTION, la nouvelle approche basée sur l'intelligence artificielle approfondit l'utilité de la transcriptomique, l'étude des facteurs de transcription, le messager ARN molécules exprimées par des gènes qui portent et convertissent ADN l’information en action.
Avantages de la résolution monocellulaire
« Une tumeur est une bête complexe et évolutive. L’utilisation d’une résolution unicellulaire peut nous permettre de relever ces deux défis », explique Sinha. « PERCEPTION permet d'utiliser des informations riches au sein des systèmes omiques unicellulaires pour comprendre l'architecture clonale de la tumeur et surveiller l'émergence de résistances. » (En biologie, l'omique fait référence à la somme des constituants d'une cellule.)
Sinha déclare : « La capacité de surveiller l’émergence d’une résistance est pour moi la partie la plus excitante. Elle a le potentiel de nous permettre de nous adapter à l’évolution des cellules cancéreuses et même de modifier notre stratégie de traitement.
Développement de la PERCEPTION
Sinha et ses collègues ont utilisé l'apprentissage par transfert, une branche de l'IA, pour développer la PERCEPTION.
« Les données limitées sur une seule cellule provenant des cliniques constituaient notre plus grand défi. Un modèle d’IA a besoin de grandes quantités de données pour comprendre une maladie, un peu comme ChatGPT a besoin d’énormes quantités de données textuelles extraites d’Internet.
PERCEPTION utilise l'expression de gènes en masse publiée à partir de tumeurs pour pré-entraîner ses modèles. Ensuite, les données unicellulaires provenant de lignées cellulaires et de patients, bien que limitées, ont été utilisées pour affiner les modèles.
Validation et potentiel de la PERCEPTION
PERCEPTION a été validé avec succès en prédisant la réponse à la monothérapie et au traitement combiné dans trois essais cliniques indépendants récemment publiés sur le myélome multiple, le cancer du sein et le cancer du poumon.
Dans chaque cas, PERCEPTION a correctement stratifié les patients en catégories de répondeurs et de non-répondeurs. Dans le cas du cancer du poumon, elle a même permis de capturer le développement d’une résistance aux médicaments à mesure que la maladie progressait, une découverte remarquable au grand potentiel.
Perspectives d’avenir pour PERCEPTION
Sinha dit que PERCEPTION n'est pas prête pour les cliniques, mais l'approche montre que les informations unicellulaires peuvent être utilisées pour guider le traitement. Il espère encourager l’adoption de cette technologie dans les cliniques afin de générer davantage de données, qui pourront être utilisées pour développer et affiner davantage la technologie à des fins cliniques.
« La qualité de la prédiction augmente avec la qualité et la quantité des données qui servent de base », explique Sinha. « Notre objectif est de créer un outil clinique capable de prédire la réponse au traitement de chaque patient atteint de cancer de manière systématique et basée sur des données. Nous espérons que ces résultats susciteront davantage de données et davantage d’études de ce type, le plus tôt possible.
Cette recherche a été financée en partie par le programme de recherche intra-muros des NIH ; NCI ; et les NIH accordent R01CA231300, R01CA204302, R01CA211052, R01CA169338 et U54CA224081.
Source : https://issues.fr/
