Un modèle d’apprentissage automatique peut nous aider à traiter le cancer plus efficacement
Lorsque les professionnels de la santé traitent des patients souffrant de cancers avancés, ils doivent généralement recourir à une combinaison de différentes thérapies. En plus de la chirurgie du cancer, les patients sont souvent traités par radiothérapie, par des médicaments ou par les deux.
La médication peut être combinée, avec différents médicaments agissant sur différentes cellules cancéreuses. Les thérapies médicamenteuses combinées améliorent souvent l’efficacité du traitement et peuvent réduire les effets secondaires nocifs si le dosage des différents médicaments peut être réduit. Cependant, le dépistage expérimental des combinaisons de médicaments est très lent et coûteux, et ne permet donc pas souvent de découvrir tous les avantages de la thérapie combinée. À l’aide d’une nouvelle méthode d’apprentissage machine (machine learning), on pourrait identifier les meilleures combinaisons pour tuer sélectivement les cellules cancéreuses ayant une constitution génétique ou fonctionnelle spécifique.
Des chercheurs de l’université d’Aalto, de l’université d’Helsinki et de l’université de Turku en Finlande ont mis au point un modèle d’apprentissage machine qui prédit avec précision comment les combinaisons de différents médicaments anticancéreux tuent divers types de cellules cancéreuses. Le nouveau modèle d’IA a été formé à l’aide d’un large ensemble de données obtenues lors d’études précédentes, qui avaient étudié l’association entre les médicaments et les cellules cancéreuses. Le modèle appris par la machine est en fait une fonction polynomiale familière des mathématiques scolaires, mais très complexe », explique le professeur Juho Rousu de l’université d’Aalto.
Les résultats de la recherche ont été publiés dans la prestigieuse revue Nature Communications, démontrant que le modèle a trouvé des associations entre les médicaments et les cellules cancéreuses qui n’avaient pas été observées auparavant. Le modèle donne des résultats très précis. Par exemple, les valeurs de ce qu’on appelle le coefficient de corrélation étaient supérieures à 0,9 dans nos expériences, ce qui indique une excellente fiabilité », déclare le professeur Rousu. Dans les mesures expérimentales, un coefficient de corrélation de 0,8-0,9 est considéré comme fiable.
Le modèle prédit avec précision comment une combinaison de médicaments inhibe sélectivement des cellules cancéreuses particulières lorsque l’effet de la combinaison de médicaments sur ce type de cancer n’a pas été testé auparavant. Cela aidera les chercheurs en cancérologie à établir des priorités dans le choix des combinaisons de médicaments parmi des milliers d’options pour la poursuite des recherches », déclare le chercheur Tero Aittokallio de l’Institut de médecine moléculaire de Finlande (FIMM) de l’université d’Helsinki.
La même approche d’apprentissage machine pourrait être utilisée pour les maladies non cancéreuses. Dans ce cas, le modèle devrait être réappris avec des données relatives à cette maladie. Par exemple, le modèle pourrait être utilisé pour étudier comment différentes combinaisons d’antibiotiques affectent les infections bactériennes ou comment différentes combinaisons de médicaments tuent efficacement les cellules qui ont été infectées par le coronavirus SRAS-Cov-2.
https://www.aalto.fi/en/news/ai-predicts-which-drug-combinations-kill-cancer-cells
