Le jumeau numérique du cancer du cerveau prédit les résultats du traitement en cartographiant le métabolisme tumoral.

Une nouvelle approche d'apprentissage automatique permettant de cartographier en temps réel le métabolisme tumoral chez les patients atteints de cancer du cerveau, développée à l'Université du Michigan, pourrait aider les médecins à identifier les stratégies thérapeutiques les plus susceptibles d'être efficaces contre chaque cas de gliome. L'équipe a validé la précision du modèle en le comparant à des données de patients humains et en réalisant des expériences sur des souris.

Comment l'alimentation et le métabolisme influencent le gliome

L'étude, publiée dans Cell Metabolism , s'appuie sur des recherches antérieures montrant que la croissance de certains gliomes peut être ralentie par l'alimentation du patient. Si un patient ne consomme pas certains éléments constitutifs des protéines, appelés acides aminés , certaines tumeurs sont incapables de se développer. Cependant, d'autres tumeurs peuvent produire ces acides aminés et continuer à croître malgré tout. Jusqu'à présent, il n'existait aucun moyen simple de déterminer quels patients bénéficieraient de restrictions alimentaires.

La capacité du jumeau numérique à cartographier l'activité métabolique des tumeurs a également permis de déterminer si un médicament empêchant les tumeurs de produire un élément constitutif de la réplication et de la réparation de l'ADN serait efficace, car certaines cellules peuvent obtenir cette molécule de leur environnement.

Développement et validation du jumeau numérique

Pour surmonter les difficultés liées à la cartographie du métabolisme tumoral dans le cerveau, l'équipe du Michigan a développé un « jumeau numérique » informatique capable de prédire comment la tumeur cérébrale d'un patient donné réagira à chaque traitement.

« En général, les mesures métaboliques effectuées pendant les interventions chirurgicales visant à retirer des tumeurs ne permettent pas d’obtenir une image précise du métabolisme tumoral : les chirurgiens ne peuvent pas observer comment ce métabolisme varie au fil du temps, et les laboratoires sont limités à l’étude des tissus après l’opération. En intégrant des données patient limitées dans un modèle basé sur la biologie, la chimie et la physique fondamentales, nous avons surmonté ces obstacles », a déclaré Deepak Nagrath, professeur de génie biomédical à l’Université du Michigan et co-auteur principal de l’étude.

Le jumeau numérique utilise les données du patient obtenues par des prélèvements sanguins, des mesures métaboliques du tissu tumoral et le profil génétique de la tumeur. Il calcule ensuite la vitesse à laquelle les cellules cancéreuses consomment et transforment les nutriments, appelée flux métabolique.

« C’est la première fois qu’une approche basée sur l’apprentissage automatique et l’intelligence artificielle est utilisée pour mesurer directement le flux métabolique dans les tumeurs des patients », a déclaré Baharan Meghdadi, doctorant en génie chimique et co-premier auteur de l’étude.

Les chercheurs ont construit un type de modèle d'apprentissage profond appelé réseau neuronal convolutif et l'ont entraîné sur des données synthétiques de patients, générées sur la base de connaissances biologiques et chimiques et contraintes par des mesures provenant de huit patients atteints de gliome qui ont reçu une perfusion de glucose marqué pendant l'intervention chirurgicale.

En comparant leurs modèles informatiques avec différentes données provenant de six de ces patients, ils ont constaté que les jumeaux numériques pouvaient prédire l'activité métabolique avec une grande précision. Lors d'expériences menées sur des souris, l'équipe a confirmé que le régime alimentaire ne ralentissait la croissance tumorale que chez les souris que le jumeau numérique avait identifiées comme de bonnes candidates pour le traitement.

Potentiel des thérapies personnalisées contre le cancer

« Ces résultats sont prometteurs. La capacité de mesurer l'activité métabolique dans les tumeurs des patients pourrait nous permettre de prédire quelles thérapies métaboliques seraient les plus efficaces pour chaque patient », a déclaré Daniel Wahl, professeur titulaire de la chaire Achtenberg de radio-oncologie et co-auteur principal de l'étude.

Le jumeau numérique a également permis de prédire la réaction des tumeurs au mycophénolate mofétil, un médicament qui cible la synthèse de l'ADN par les cellules cancéreuses. Il a correctement identifié que certaines tumeurs pouvaient contourner les effets du médicament en utilisant une voie de récupération pour capter les nutriments de leur environnement. L'équipe a ensuite confirmé ces prédictions par des expériences sur des souris.

« Cet outil formidable pourrait aider les médecins à éviter de prescrire des traitements auxquels une tumeur spécifique est déjà capable de résister, et nous permet d'évoluer vers des traitements plus ciblés et personnalisés pour nos patients », a déclaré Wajd N. Al-Holou, professeur adjoint de neurochirurgie et co-premier auteur de l'étude.

Un médecin pourrait utiliser le jumeau numérique d'un patient pour tester si un régime alimentaire ou un médicament spécifique permettrait réellement d'affamer le cancer avant que le patient ne modifie son régime alimentaire ou ne commence un nouveau traitement médicamenteux.

« Ces travaux nous rapprochent d'une prise en charge du cancer véritablement personnalisée, non seulement pour le cancer du cerveau, mais à terme pour diverses tumeurs. En simulant virtuellement différentes thérapies, nous espérons épargner aux patients des traitements inutiles et nous concentrer sur ceux susceptibles de les aider », a déclaré Costas Lyssiotis, professeur de recherche en oncologie titulaire de la chaire Maizel et co-auteur principal de l'étude.

https://news.umich.edu/brain-cancer-digital-twin-predicts-treatment-outcomes

https://www.cell.com/cell-metabolism/fulltext/S1550-4131(25)00482-6