Le Big Data et l'IA rencontrent la recherche sur le cancer

Une nouvelle approche tire parti de l'intelligence artificielle, de l'apprentissage automatique et du Big Data pour découvrir des médicaments multifonctionnels

De nombreux patients atteints de cancer suivent un traitement avec plusieurs médicaments, dont chacun attaque le cancer d'une manière différente, de sorte que la combinaison combat le cancer sur de nombreux fronts. Mais plus de médicaments signifient des risques plus élevés d'effets secondaires.

"La plupart des thérapies contre le cancer sont maintenant un traitement combiné", déclare Avinash (Avi) Sahu, PhD, professeur adjoint au Centre de lutte contre le cancer de l'Université du Nouveau-Mexique. Sahu a rejoint l'UNM depuis Harvard et le Dana-Farber Cancer Institute. "Nous voulions trouver des médicaments qui pourraient supprimer deux voies cancérigènes en même temps."

Mais au lieu de passer des heures dans un laboratoire, Sahu s'est tourné vers son ordinateur.

Sahu et son équipe de recherche ont créé deux approches. Le premier, appelé BiopotentR, utilise des données génomiques accessibles au public pour trouver des médicaments qui peuvent attaquer le cancer de multiples façons et identifier les gènes ciblés par les médicaments. La seconde applique des méthodes d'apprentissage automatique à ces informations pour prédire comment les gens réagiront à l'immunothérapie.

L'apprentissage automatique est similaire à la façon dont les gens apprennent. Tout comme les gens apprennent de nouvelles choses - comme faire du vélo ou conduire une voiture - grâce à beaucoup d'expérience, l'apprentissage automatique piloté par ordinateur assimile de grandes quantités de données et glane des modèles qu'il peut ensuite appliquer à d'autres tâches.

Mais les données de la recherche sur le cancer ne suffisaient pas à elles seules à Sahu et à son équipe pour prédire comment les gens réagiraient à un médicament. Ils avaient besoin de données biologiques supplémentaires qu'ils pourraient ensuite appliquer aux patients atteints de cancer et aux réponses aux médicaments anticancéreux. En termes d'apprentissage automatique, ils devaient apprendre du contexte biologique et appliquer ces connaissances à un contexte de cancer ; c'est une technique appelée apprentissage par transfert.

Sahu et son équipe se sont associés à une entreprise pour trouver un composé qui ciblerait le meilleur gène candidat du cancer qu'ils ont identifié à l'aide de BipotentR. Lors de tests précliniques, ils ont confirmé que leurs prédictions étaient exactes.

Mais le travail peut être élargi, dit Sahu.

"Lorsque les tumeurs ont des cibles médicamenteuses multifonctionnelles hyperactives, les patients sont moins susceptibles de répondre à l'immunothérapie", dit-il. "Cependant, les patients atteints de ces types de tumeurs pourraient potentiellement bénéficier d'une combinaison d'immunothérapie et de médicaments multifonctionnels."

Les travaux de l'équipe ne se limitent pas aux seules cibles métaboliques et immunitaires ; il peut être adapté pour explorer deux facteurs quelconques afin de trouver de meilleurs médicaments polyvalents. Sahu dit que cette approche présente donc une opportunité passionnante pour de nouvelles recherches dans une variété de projets axés sur le cancer.

Et une découverte de médicaments plus rapide signifie une médecine personnalisée plus précise.

À propos d'Avinash Sahu, PhD

Avinash Sahu, PhD, est professeur adjoint à l'École de médecine de l'Université du Nouveau-Mexique, au Département de médecine interne, Division de l'informatique translationnelle. Il a rejoint la faculté de l'UNM en janvier 2023. Le Dr Sahu est titulaire d'un doctorat de l'Université du Maryland. Ses recherches se concentre sur les applications de l'apprentissage automatique et de l'apprentissage en profondeur pour améliorer la compréhension et le traitement du cancer.

Référence papier

"La découverte de cibles pour les médicaments antitumoraux immuno-métaboliques identifie le récepteur alpha lié aux œstrogènes" a été publiée en ligne le 27 janvier 2023 dans Cancer Discovery (https://aacrjournals.org/cancerdiscovery). Les auteurs sont : Avinash D. Sahu, Xiaoman Wang, Phillip Munson, Jan Klomp, Xiaoqing Wang, Shengqing Gu, Gege Qian, Phillip Nicol, Zexian Zeng, Chenfei Wang, Collin Tokheim, Wubing Zhang, Jingxin Fu, Jin Wang, Nishanth U. Nair, Joost Rens, Meriem Bourajjaj, Bas Jansen, Inge Leenders, Jaap Lemmers, Mark Musters, Sanne van Zanten, Laura van Zelst, Jenny Worthington, Myles Brown, Jun S. Liu, Dejan Juric, Cliff A. Meyer, Arthur Oubrie, X. Shirley Liu, David E. Fisher, Keith T. Flaherty.