Une nouvelle méthode d’IA prédit la réponse aux médicaments contre le cancer à l’aide de la génomique

Mcmurrayjulie/Pixabay

Source : Mcmurrayjulie/Pixabay

Une nouvelle étude publiée dans Nature Machine Intelligence montre un algorithme d’apprentissage automatique de l’intelligence artificielle (IA) qui peut prédire les réponses aux médicaments anticancéreux sur la base des données d’expression génique, démontrant une pharmacogénomique de pointe qui peut améliorer la précision de l’oncologie de précision.

Le marché mondial des ventes de produits thérapeutiques en oncologie devrait atteindre 250 milliards de dollars d’ici 2024 avec un taux de croissance annuel composé (TCAC) de 12% selon McKinsey & Company. On estime que 20 % des ventes mondiales de produits pharmaceutiques, soit 143 milliards de dollars, provenaient des ventes de produits pharmaceutiques contre le cancer de marque en 2019, sur la base des chiffres d’Evaluate Ltd.

L’ADN d’un individu peut avoir un impact sur l’efficacité ou non des réponses aux médicaments. La quantité et le type de protéines réceptrices de médicaments à la surface des cellules sont déterminés par l’ADN d’une personne, ce qui peut avoir un impact sur les réponses aux médicaments. L’ADN d’une personne peut avoir un impact sur l’absorption, la dégradation et l’élimination des médicaments des tissus et des cellules.

La pharmacogénétique est l’étude au sein de la médecine de précision qui examine comment la variation d’un ou plusieurs gènes peut entraîner différentes réponses aux médicaments afin de créer des thérapies médicamenteuses ciblées et plus efficaces basées sur les informations génétiques de l’individu. La pharmacogénomique peut également étudier la variation génétique dans les populations dans le but de comprendre comment la race et l’origine ethnique peuvent avoir un impact sur les réponses aux médicaments. En pharmacogénomique, les médicaments sont développés pour traiter le problème plutôt que les symptômes. La pharmacogénétique et la pharmacogénomique visent à fournir une médecine meilleure et plus personnalisée en personnalisant les thérapies en fonction de la génétique individuelle d’un patient.

Dans l’apprentissage automatique de l’IA, des ensembles de données massifs sont nécessaires pour entraîner l’algorithme. Pour l’oncologie de précision, il y a un manque général d’ensembles de données de patients accessibles au public avec des réponses aux médicaments. S’ils sont accessibles au public, ces ensembles de données ont tendance à être de petite taille. Pour résoudre ce problème d’ensemble de données, des ensembles de données précliniques utilisant des xénogreffes dérivées de patients (PDX) ou des lignées cellulaires cancéreuses peuvent être utilisés comme proxy pour les patients. Les xénogreffes dérivées de patients sont des coupes de tissus ou des cellules prélevées sur une espèce et greffées sur une autre. En oncologie personnalisée, des xénogreffes peuvent être réalisées à partir d’échantillons du patient sur une souris afin de déterminer un plan de traitement personnalisé. Les lignées cellulaires cancéreuses sont des systèmes modèles in vitro utilisés pour étudier la biologie du cancer.

Cependant, l’utilisation d’ensembles de données précliniques a ses inconvénients, tels que le manque de microenvironnement tumoral et du système immunitaire, et la génération d’ensembles de données massifs de haute qualité est laborieuse, longue et coûteuse. De plus, ceux-ci ne concernent pas les domaines cibles des futurs patients susceptibles de se présenter à la clinique, de sorte que la réponse médicamenteuse des futurs patients est inconnue lorsque les algorithmes sont formés sur des ensembles de données précliniques.

Pour relever ce défi, les chercheurs affiliés à l’Université Simon Fraser, au Vancouver Prostate Center, à l’Université technique de Munich, à l’Université de Hambourg et à l’Université de la Colombie-Britannique ont créé un réseau neuronal profond appelé Vélodrome.

Velodrome utilise à la fois des données étiquetées d’expression génique provenant de lignées cellulaires et des données non étiquetées provenant d’ensembles de données de patients afin de prédire les réponses aux médicaments.

« Au meilleur de notre connaissance, Velodrome est la première méthode de généralisation semi-supervisée hors distribution à partir de lignées cellulaires marquées et de patients non marqués à différents ensembles de données précliniques et cliniques », ont écrit les chercheurs.

Selon les scientifiques, leur réseau de neurones profonds a atteint des performances de pointe pour plusieurs médicaments dans divers ensembles de données pharmacogénomiques précliniques et cliniques, permettant une oncologie de précision plus précise.

Copyright © 2021 Cami Rosso Tous droits réservés.