Tumeurs, l’intelligence artificielle « lit » les secrets du microenvironnement cellulaire

Le nom technique semble compliqué, « protéomique spatiale virtuelle ». Il s’agit en fait d’une nouvelle application de l’intelligence artificielle dans le domaine de la médecine, et en particulier de l’oncologie : un groupe international de chercheurs de Microsoft Research, Providence et de l’Université de Washington a présenté, dans les pages du magazine CelluleGigaTIME, un outil basé sur l’IA capable de modéliser le microenvironnement tumoral à une échelle auparavant impensable. L’outil ne se contente pas d’analyser les données, mais « traduit » des images tissulaires standards en cartes numériques complexes, révélant les interactions entre cellules immunitaires et tumeur qui échappent souvent aux tests traditionnels : cette amélioration pourrait conduire, à l’avenir, à des thérapies de plus en plus ciblées, personnalisées et efficaces.

De la diapositive à la carte moléculaire

La méthode « standard » d’étude des tissus implique l’utilisation de lames colorées à l’hématoxyline et à l’éosine, une technique économique et répandue qui ne révèle cependant pas explicitement l’état d’activation des protéines. À l’heure actuelle, pour obtenir des détails moléculaires approfondis et significatifs, des jours de travail sont nécessaires et les coûts peuvent atteindre des milliers d’euros pour chaque échantillon. GigaTIME vise justement à surmonter cet obstacle : entraîné sur 40 millions de cellules, le logiciel est capable de générer des images avec des détails moléculaires en quelques secondes seulement, à partir de diapositives. L’instrument reconstruit notamment l’activité de 21 canaux protéiques différents, permettant ainsi aux chercheurs et cliniciens de visualiser comment les cellules du système immunitaire, comme les lymphocytes T ou les macrophages, interagissent avec la masse tumorale.

Une « population virtuelle » pour accélérer la recherche

L’une des forces du projet réside dans sa capacité d’analyse à l’échelle d’une population. Les chercheurs ont appliqué GigaTIME à une cohorte diversifiée de plus de 14 000 patients, provenant de plus d’un millier de cliniques et d’hôpitaux américains : cela leur a permis de créer une « population virtuelle » couvrant 24 types de cancer différents et 306 sous-types, et d’identifier 1 234 associations statistiquement significatives entre protéines et biomarqueurs cliniques.

La robustesse du système a été confirmée par une validation indépendante de plus de 10 000 patients dans la base de données L’Atlas du génome du cancer (TCGA), qui a montré une très forte corrélation entre les prédictions de l’IA et les données réelles. En particulier, cette étude a démontré que la combinaison d’informations provenant de plusieurs protéines nous permet de mieux prédire la réponse du patient qu’une seule protéine analysée isolément.

Vers des traitements sur mesure et de nouvelles frontières de l’immunothérapie

L’objectif ultime de GigaTIME est de soutenir une oncologie de précision : comprendre la « grammaire » du microenvironnement tumoral est essentiel pour prédire quels patients bénéficieront de traitements d’immunothérapie spécifiques et comprendre pourquoi d’autres développent une résistance aux traitements. En intégrant les données d’activation des protéines dans une sorte de « signature GigaTIME », l’algorithme s’est avéré efficace pour classer les patients en fonction de la probabilité de survie et du stade de la maladie. Et bien que les chercheurs soulignent la nécessité de poursuivre les recherches et les expériences (également parce que certaines protéines sont beaucoup plus difficiles à prédire que d’autres sur la base de la seule morphologie), les résultats récemment publiés ouvrent des scénarios très prometteurs. L’outil a été publié en tant que ressource open source, ce qui permettra à l’ensemble de la communauté scientifique de l’utiliser pour accélérer la découverte de nouveaux médicaments et biomarqueurs.