Nouvelles publications
L'intelligence artificielle prédit la réponse à un traitement anticancéreux sur la base des données de chaque cellule tumorale
Dernière revue: 02.07.2025
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 étant unique, les efforts continus pour développer des traitements de précision contre le cancer demeurent complexes. L'accent est mis sur le développement de tests génétiques permettant d'identifier les mutations des gènes responsables du cancer et d'adapter les traitements pour cibler ces mutations.
Cependant, de nombreux patients atteints de cancer, voire la plupart, ne bénéficient pas significativement de ces thérapies ciblées précoces. Dans une nouvelle étude publiée dans Nature Cancer, le premier auteur, Sanju Sinha, PhD, professeur adjoint au programme de thérapie moléculaire du cancer à Sanford Burnham Prebys, ainsi que les auteurs principaux, Eitan Ruppin, MD, PhD, et Alejandro Schaffer, PhD, du National Cancer Institute, qui fait partie des National Institutes of Health (NIH), et leurs collègues, décrivent un système informatique unique permettant de prédire systématiquement la réponse des patients aux médicaments anticancéreux à l'échelle de la cellule unique.
Appelée PLANIFICATION PERSONNALISÉE DU TRAITEMENT ONCOLOGIQUE BASÉE SUR L'EXPRESSION TRANSCRIPTALE UNIQUEMENT CELLULAIRE (PERCEPTION), la nouvelle approche basée sur l'IA se penche sur la transcriptomique, l'étude des facteurs de transcription, des molécules d'ARNm qui sont exprimées par les gènes et traduisent les informations ADN en actions.
« Les tumeurs sont des organismes complexes et en constante évolution. La résolution unicellulaire nous permet de relever ces deux défis », explique Sinha. « PERCEPTION nous permet d'exploiter les riches informations issues de l'omexique unicellulaire pour comprendre l'architecture clonale d'une tumeur et surveiller l'émergence de résistances. » (En biologie, l'omexique désigne la somme des composants d'une cellule.)
Sinha déclare: « La capacité à surveiller l'émergence de résistances est pour moi ce qui m'intéresse le plus. Elle pourrait nous permettre de nous adapter à l'évolution des cellules cancéreuses et même de modifier notre stratégie thérapeutique. »
Sinha et ses collègues ont utilisé l’apprentissage par transfert, une branche de l’IA, pour créer la PERCEPTION.
« Le manque de données unicellulaires provenant des cliniques constituait 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 des données publiées sur l'expression génique massive de tumeurs pour pré-entraîner ses modèles. Ensuite, des données à l'échelle d'une cellule unique, issues 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 aux monothérapies et aux traitements combinés 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 entre répondeurs et non-répondeurs. Dans le cancer du poumon, il a même détecté le développement d'une résistance aux médicaments au fur et à mesure de la progression de la maladie, une découverte significative et prometteuse.
Sinha affirme que PERCEPTION n'est pas encore prête à être utilisée en clinique, mais l'approche montre que l'information au niveau des cellules individuelles peut être utilisée pour orienter le traitement. Il espère encourager l'adoption de cette technologie en clinique afin de générer davantage de données qui pourront servir à développer et améliorer la technologie en clinique.
« La qualité des prédictions s'améliore avec la qualité et la quantité des données sur lesquelles elles s'appuient », explique Sinha. « Notre objectif est de créer un outil clinique capable de prédire systématiquement et de manière fondée sur les données la réponse au traitement chez chaque patient atteint de cancer. Nous espérons que ces résultats susciteront davantage de données et d'études similaires dans un avenir proche. »