Nouvelles publications
L'intelligence artificielle prédit la réponse au traitement du cancer sur la base des données de chaque cellule tumorale
Dernière revue: 14.06.2024
Tout le contenu iLive fait l'objet d'un examen médical ou d'une vérification des faits pour assurer autant que possible l'exactitude factuelle.
Nous appliquons des directives strictes en matière d’approvisionnement et ne proposons que des liens vers des sites de médias réputés, des instituts de recherche universitaires et, dans la mesure du possible, des études évaluées par des pairs sur le plan médical. Notez que les nombres entre parenthèses ([1], [2], etc.) sont des liens cliquables vers ces études.
Si vous estimez qu'un contenu quelconque de notre contenu est inexact, obsolète ou discutable, veuillez le sélectionner et appuyer sur Ctrl + Entrée.
Avec plus de 200 types de cancer et chaque cas individuel unique, les efforts en cours pour développer des traitements oncologiques de précision restent un défi. L'accent est mis sur le développement de tests génétiques pour identifier les mutations dans les gènes responsables du cancer et sur l'identification de traitements appropriés contre ces mutations.
Cependant, de nombreux patients atteints de cancer, sinon la plupart, ne bénéficient pas de manière significative de ces thérapies ciblées précoces. Dans la nouvelle étude, publiée dans Nature Cancer, le premier auteur Sanju Sinha, Ph.D., professeur adjoint au programme de thérapie moléculaire sur le cancer à Sanford Burnham Prebys, en collaboration avec les auteurs principaux Eitan Ruppin, MD, PhD, et Alejandro Schaffer, PhD, du National Cancer Institute, une partie des National Institutes of Health (NIH), et leurs collègues décrivent un système informatique unique pour prédire systématiquement les patients réponse aux médicaments anticancéreux au niveau unicellulaire.
Appellée Planification de traitement personnalisée en oncologie basée sur l'expression de transcriptions unicellulaires (PERCEPTION), la nouvelle approche basée sur l'intelligence artificielle se penche sur l'étude de la transcriptomique, l'étude des facteurs de transcription, les molécules d'ARNm qui sont exprimées par les gènes et traduisent Les informations ADN en action.
"Une tumeur est un organisme complexe et en constante évolution. L'utilisation de la résolution unicellulaire nous permet de résoudre ces deux problèmes", explique Sinha. "PERCEPTION permet d'utiliser des informations riches provenant de l'omexis unicellulaire pour comprendre l'architecture clonale de la tumeur et surveiller l'émergence de résistances." (En biologie, omexis 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. Cela a le potentiel de nous permettre de nous adapter à l'évolution des cellules cancéreuses et même de modifier notre stratégie de traitement."
Sinha et ses collègues ont utilisé l'apprentissage par transfert, une branche de l'IA, pour créer PERCEPTION.
"Les données limitées au niveau cellulaire provenant des cliniques constituaient notre principal défi. Les modèles d'IA ont besoin de grandes quantités de données pour comprendre la maladie, tout comme ChatGPT a besoin d'énormes quantités de données textuelles provenant d'Internet", explique Sinha.
PERCEPTION utilise les données publiées sur l'expression génique des tumeurs pour pré-entraîner ses modèles. Ensuite, des données au niveau cellulaire provenant de lignées cellulaires et de patients, bien que limitées, ont été utilisées pour affiner les modèles.
PERCEPTION a été validé avec succès pour prédire la réponse à la monothérapie et à la thérapie combinée 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 répondeurs et non-répondeurs. Dans le cas du cancer du poumon, il a même documenté le développement d'une résistance aux médicaments à mesure que la maladie progresse, ce qui constitue une découverte importante avec un grand potentiel.
Sinha affirme que PERCEPTION n'est pas encore prêt à être utilisé en clinique, mais l'approche montre que les informations au niveau unicellulaire peuvent être utilisées pour guider le traitement. Il espère encourager l'adoption de cette technologie dans les cliniques afin de générer davantage de données pouvant être utilisées pour développer et améliorer davantage la technologie à usage clinique.
« La qualité des prévisions s'améliore avec la qualité et la quantité des données sur lesquelles elles sont basées », explique Sinha. "Notre objectif est de créer un outil clinique capable de prédire systématiquement et à partir de données la réponse au traitement chez des patients individuels atteints de cancer. Nous espérons que ces résultats stimuleront davantage de données et d'études similaires dans un avenir proche."