Un outil d鈥橧A permet de rep茅rer les cellules qui alimentent les cancers agressifs
Une 茅quipe de recherche de l鈥橴niversit茅 麻豆传媒网站 a mis au point un outil d鈥檌ntelligence artificielle capable de d茅tecter les petits groupes de cellules qui contribuent en majeure partie 脿 l鈥櫭﹙olution des cancers agressifs.
Baptis茅 SIDISH, cet outil aide les scientifiques 脿 concevoir des traitements cibl茅s en mettant en 茅vidence les cellules tumorales les plus 茅troitement associ茅es 脿 des r茅sultats d茅favorables pour le patient. Il permet d鈥櫭﹙iter que toutes les cellules canc茅reuses soient trait茅es comme si elles se comportaient de la m锚me mani猫re.
Lors d鈥檜ne 茅tude pr茅clinique publi茅e dans Nature Communications, la m茅thode SIDISH a permis de rep茅rer des cellules 芦 脿 haut risque 禄 dans des 茅chantillons tumoraux pr茅lev茅s chez des patients atteints d鈥檜n cancer du pancr茅as, du sein ou du poumon et analys茅s en laboratoire.
Fonctionnement de l鈥檕util
La principale nouveaut茅 apport茅e par la m茅thode SIDISH r茅side dans sa capacit茅 脿 茅tablir un lien entre ce qui se passe 脿 l鈥檌nt茅rieur des cellules et les r茅sultats pour les patients, qu锚te de longue date en recherche sur le cancer.
芦 D鈥檜n c么t茅, les donn茅es 脿 l鈥櫭ヽhelle de la cellule sont tr猫s d茅taill茅es, mais elles ne proviennent g茅n茅ralement que d鈥檜n petit nombre de patients et elles donnent rarement une indication de l鈥櫭﹙olution r茅elle de l鈥櫭﹖at de sant茅. De l鈥檃utre, les donn茅es sur les patients, souvent analys茅es globalement, contiennent des informations li茅es 脿 la survie, mais elles repr茅sentent une moyenne des signaux 茅mis par des millions de cellules, ce qui emp锚che le rep茅rage des cellules, rares mais dangereuses, qui alimentent la maladie 禄, explique Yasmin Jolasun, doctorante au D茅partement de m茅decine de l鈥橴niversit茅 麻豆传媒网站 et auteure principale de l鈥櫭﹖ude.
On arrive difficilement 脿 combiner efficacement ces deux types de donn茅es au moyen des outils informatiques actuels.
芦 Notre outil permet d鈥檜nir ces deux mondes. En effet, il permet de d茅tecter les cellules les plus 茅troitement li茅es 脿 une progression rapide de la maladie et d鈥檕btenir des indications sur la survie des patients 禄, pr茅cise Yasmin Jolasun.
Elle ajoute que, bien que la m茅thode SIDISH ait d鈥檃bord 茅t茅 mise 脿 l鈥檈ssai dans le cancer, elle pourrait 锚tre employ茅e pour d鈥檃utres maladies complexes dans lesquelles les diff茅rences entre les cellules jouent un r么le important.
SIDISH est l鈥檃cronyme de 芦 Semi-supervised Iterative Deep Learning for Identifying Single-cell High-Risk Populations 禄 (apprentissage profond it茅ratif semi-supervis茅 pour l鈥檌dentification de populations 脿 haut risque au niveau unicellulaire).
Pr茅diction des cibles th茅rapeutiques avant les essais en laboratoire
En plus de cerner le probl猫me, l鈥檕util SIDISH permet de simuler la r茅action des cellules 脿 haut risque 脿 l鈥檃ctivation ou 脿 la d茅sactivation de certains g猫nes, ce qui permet de d茅terminer quels g猫nes pourraient constituer des cibles th茅rapeutiques prometteuses.
芦 Comme il faut habituellement des ann茅es de recherche par essais et erreurs pour trouver les bonnes cibles, cette approche pourrait acc茅l茅rer la mise au point de m茅dicaments 禄, se r茅jouit Jun Ding, auteur en chef de l鈥櫭﹖ude, professeur adjoint au D茅partement de m茅decine de l鈥橴niversit茅 麻豆传媒网站 et scientifique junior 脿 l鈥橧nstitut de recherche du Centre universitaire de sant茅 麻豆传媒网站.
Par exemple, la tumeur d鈥檜n patient serait analys茅e par s茅quen莽age unicellulaire, puis l鈥檕util SIDISH rep茅rerait les cellules qui alimentent la tumeur, simulerait leur r茅action 脿 diff茅rents m茅dicaments et produirait une liste restreinte des traitements les plus susceptibles d鈥櫭猼re efficaces, explique le chercheur.
芦 脌 court terme, la m茅thode SIDISH pourrait nous permettre de trouver d鈥檃utres indications pour des m茅dicaments existants homologu茅s par la FDA en nous appuyant sur des ensembles de donn茅es publiques. 脌 long terme, l鈥檕util pourrait radicalement changer le processus de d茅couverte de m茅dicaments 禄, indique Jun Ding.
L鈥檕util est 脿 l鈥櫭﹖ape de mise au point et n鈥檈st pas encore utilis茅 en pratique clinique. L鈥櫭﹒uipe de recherche tente d鈥檃ppliquer la m茅thode SIDISH 脿 d鈥檃utres maladies et collabore avec des entreprises partenaires afin de la perfectionner.
尝鈥櫭﹖耻诲别
L鈥檃rticle 芦 禄, par Yasmin Jolasun, Jun Ding et coll., a 茅t茅 publi茅 dans Nature Communications.
