Le cancer est la maladie qui concentre le plus d’attention en termes de médecine de précision et/ou de traitements personnalisés et à partir de là, il est clair que l’intelligence artificielle (IA) peut jouer un rôle primordial dans l’analyse des données et le choix des traitements. C’est ce que démontre cette équipe de l’Université Aalto, dans la revue Nature Communications : l'IA permet de prédire quelles combinaisons de médicaments vont tuer les cellules cancéreuses chez un patient donné.
L’équipe finlandaise propose ainsi un modèle d'apprentissage automatique capable d’aider les médecins à traiter le cancer plus efficacement. Chez les patients souffrant de cancers avancés, les médecins doivent généralement utiliser une combinaison de différentes thérapies (chirurgie du cancer, radiothérapie, médicaments). Les médicaments peuvent être combinés, avec différents médicaments agissant sur différents types de cellules cancéreuses. Les thérapies médicamenteuses combinées permettent d’améliorer l'efficacité du traitement et de réduire les effets secondaires nocifs en ajustant au mieux la posologie. Cependant, le criblage expérimental de combinaisons de médicaments est très lent et coûteux et le traitement est souvent éloigné de la thérapie combinée idéale.
L’apprentissage automatique identifie les meilleures combinaisons thérapeutiques
La meilleure combinaison thérapeutique est celle qui va tuer sélectivement les cellules cancéreuses ayant une constitution génétique ou fonctionnelle spécifique. Avec des collègues de l'Université d'Helsinki et de l'Université de Turku, l’équipe d’Aalto a donc développé un modèle d'apprentissage automatique qui prédit avec précision comment les combinaisons de différents médicaments anticancéreux tuent les différents types de cellules cancéreuses. Formé avec un grand ensemble de données obtenues à partir d'études précédentes, le modèle développé par la machine consiste en une fonction polynomiale « classique mais très complexe», précise l’auteur principal, le professeur Juho Rousu de l'université Aalto.
Le modèle identifie même de nouvelles associations cellules/molécules : «Le modèle donne des résultats très précis. Par exemple, les valeurs du coefficient de corrélation s’avèrent supérieures à 0,9 dans nos expériences, ce qui suggère une excellente fiabilité ». Dans les mesures expérimentales, un coefficient de corrélation de 0,8 à 0,9 est en effet considéré comme fiable.
Le modèle prédit avec précision comment une combinaison de médicaments inhibe sélectivement des cellules cancéreuses spécifiques via l'effet synergique de la combinaison et même, dans la plupart des cas, lorsque ladite combinaison sur ce type de cancer n'a jamais été testée.
« Ce nouvel outil devrait donc aider considérablement les cliniciens dans leurs décisions thérapeutiques qui consistent, en pratique, à prioriser des combinaisons parmi des milliers d'options ».
Et pour les maladies non cancéreuses ? La même approche d'apprentissage automatique pourrait être utilisée : dans ces cas, le modèle pourrait être réenseigné avec des données relatives à cette maladie. Par exemple, le même modèle trouverait des applications utiles dans le choix de combinaisons d'antibiotiques pour lutter contre des infections bactériennes résistantes,
ou encore dans le choix de médicaments pour éradiquer le coronavirus SRAS-Cov-2.
Source : Nature Communications 01 December 2020 DOI : 10.5281/zenodo.4129688 Leveraging multi-way interactions for systematic prediction of pre-clinical drug combination effects
Plus autour de l’IA dans la Santé
Voir aussi Cancer Blog
Laisser un commentaire