Cet outil d’IA appelé « Perception » utilise des données au niveau des cellules individuelles pour prédire plus précisément la réponse des patients à différentes thérapies anticancéreuses. Cette recherche, menée par des biologistes et des informaticiens du Sanford Burnham Prebys (San Diego), publiée dans la revue Nature Cancer, met à nouveau en lumière la puissance de l'apprentissage automatique pour analyser de grandes quantités d’« omiques » unicellulaires -ou de constituants spécifiques de la cellule. Une condition de la précision du 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 considérables. 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. Cependant, de nombreux patients atteints de cancer, sinon la plupart, ne bénéficient pas de ces thérapies ciblées précoces.
Un nouveau « pipeline informatique »
capable d’analyser des monceaux de données unicellulaires vise à pouvoir transformer toutes ces informations, pour un patient et un cancer donnés, en clinique.
Baptisée « Perception » pour PERsonalized Single-Cell Expression-Based Planning for Treatments in Oncology, cette nouvelle approche basée sur l'intelligence artificielle (IA) exploite notamment la transcriptomique, ou l'étude des facteurs de transcription, soit les molécules d'ARN messager exprimées par les gènes qui transportent l'ADN.
Pourquoi analyser les « omiques unicellulaires » ?
« La tumeur est une bête complexe et évolutive »,
écrivent les scientifiques. L’utilisation d’une résolution unicellulaire peut permettre de relever ces deux défis de complexité et d’évolution ». En analysant les données au niveau unicellulaire, Perception permet de mieux cerner l'architecture de la tumeur et de surveiller l'émergence de résistances. En termes cliniques, l’outil va permettre d’adapter le traitement à l’évolution des cellules cancéreuses et à la complexité structurelle de la tumeur.
L'apprentissage par transfert est le domaine d’IA exploité ici : Perception utilise l'expression de gènes en masse identifiée à partir de tumeurs pour pré-entraîner ses modèles. Ensuite, les données unicellulaires provenant de lignées cellulaires et de patients, bien que limitées, sont utilisées pour affiner le modèle. Testé via 3 essais cliniques indépendants, l’outil a permis de prédire la réponse à la monothérapie et au traitement combiné dans des cas de myélome multiple, de cancer du sein et de cancer du poumon. Dans tous ces cas, Perception a réussi à stratifier correctement les patients en « répondeurs » et « non-répondeurs » et a permis de capturer le développement d’une résistance aux anticancéreux.
Au-delà du pipeline lui-même, l'approche démontre le grand intérêt des données unicellulaires pour guider le traitement.
« La qualité de la prédiction augmente avec la qualité et la quantité des données qui servent de base à l’analyse ». C’est toute la valeur ajoutée de l’IA.
Source: Nature Cancer 18 April, 2024 DOI: 10.1038/s43018-024-00756-7 PERCEPTION: Predicting patient treatment response and resistance via single-cell transcriptomics of their tumors
Plus sur l’IA en santé
