Aujourd’hui, l’apprentissage automatique, l’intelligence artificielle et les avancées algorithmiques réalisées par les chercheurs et les ingénieurs conduisent à des thérapies médicales plus ciblées grâce au pouvoir de la prédiction. La capacité d’analyser rapidement de grandes quantités de données complexes rapproche les cliniciens de la fourniture de traitements individualisés aux patients, dans le but d’obtenir de meilleurs résultats grâce à une médecine et des soins plus proactifs et personnalisés.
« En médecine, nous devons être capables de faire des prédictions », a déclaré John F. McDonald, professeur à la École des sciences biologiques et directeur de la Centre intégré de recherche sur le cancer dans le Petit Institut de Bioingénierie et Biosciences à l’Institut de technologie de Géorgie. L’un des moyens consiste à comprendre la cause et à refléter les relations, comme la réponse d’un patient cancéreux aux médicaments, a-t-il expliqué. L’autre façon est la corrélation.
Source de l’image : Wikimedia via Georgia Tech
« En analysant des ensembles de données complexes en biologie du cancer, nous pouvons utiliser l’apprentissage automatique, qui est simplement un moyen sophistiqué de rechercher des corrélations. L’avantage est que les ordinateurs peuvent rechercher ces corrélations dans des ensembles de données extrêmement volumineux et complexes.
Maintenant, l’équipe McDonald’s et le Institut du cancer de l’ovaire utilisent des algorithmes d’apprentissage automatique basés sur des ensembles pour prédire comment les patients réagiront aux médicaments anticancéreux avec des taux de précision élevés. Les résultats de leurs travaux les plus récents ont été publiés dans le Journal de recherche en oncologie .
Pour l’étude, McDonald et ses collègues ont développé des modèles prédictifs basés sur l’apprentissage automatique pour 15 types de cancer distincts, en utilisant les données de 499 lignées cellulaires indépendantes fournies par le Institut national du cancer. Ces modèles ont ensuite été validés par rapport à un ensemble de données cliniques contenant sept médicaments chimiothérapeutiques, administrés seuls ou en combinaison, à 23 patientes atteintes d’un cancer de l’ovaire. Les chercheurs ont trouvé une précision prédictive globale de 91%.
« Bien qu’une validation supplémentaire devra être effectuée en utilisant un plus grand nombre de patientes atteintes de plusieurs types de cancer », a noté McDonald, « notre conclusion préliminaire d’une précision de 90 % dans la prédiction des réponses médicamenteuses chez les patientes atteintes d’un cancer de l’ovaire est extrêmement prometteuse et me donne de l’espoir. que les jours de pouvoir prédire avec précision les thérapies médicamenteuses optimales contre le cancer pour les patients individuels sont en vue. »
L’étude a été menée en collaboration avec l’Ovarian Cancer Institute (OCI) à Atlanta, où McDonald est directeur de la recherche. D’autres auteurs sont Benoît Benigno, MD (fondateur et directeur général d’OCI, ainsi qu’un obstétricien-gynécologue, un chirurgien et un oncologue); Nick Housley, chercheur postdoctoral au laboratoire McDonald’s Georgia Tech ; et l’auteur principal de l’article, Jai Lanka, stagiaire à l’OCI.
Les défis de la prédiction des traitements contre le cancer
La nature complexe du cancer en fait un problème difficile lorsqu’il s’agit de prédire les réponses aux médicaments, a déclaré McDonald. Les patients atteints du même type de cancer réagiront souvent différemment au même traitement thérapeutique.
« Une partie du problème est que la cellule cancéreuse est un réseau hautement intégré de voies et que les tumeurs des patients qui présentent les mêmes caractéristiques cliniquement peuvent être très différentes au niveau moléculaire », a-t-il expliqué.
Un objectif majeur de la médecine personnalisée du cancer est de prédire avec précision les réponses probables aux traitements médicamenteux sur la base des profils génomiques des tumeurs individuelles des patients.
« Dans notre approche, nous utilisons un ensemble de méthodes d’apprentissage automatique pour créer des algorithmes prédictifs – basés sur des corrélations entre les profils d’expression génique des lignées cellulaires cancéreuses ou des tumeurs des patients avec des réponses précédemment observées – à une variété de médicaments anticancéreux. L’objectif futur est que les profils d’expression génique des biopsies tumorales puissent être introduits dans les algorithmes, et que les réponses probables des patients à différentes thérapies médicamenteuses puissent être prédites avec une grande précision », a déclaré McDonald.
L’apprentissage automatique est déjà appliqué aux données provenant des profils génomiques des biopsies tumorales, mais avant les travaux des chercheurs, ces méthodes impliquaient généralement une seule approche algorithmique.
McDonald et son équipe ont décidé de combiner plusieurs approches algorithmiques qui utilisent plusieurs façons d’analyser des données complexes ; on utilise même une approche tridimensionnelle. Ils ont découvert que l’utilisation de cette approche basée sur les ensembles augmentait considérablement la précision prédictive.
Les algorithmes utilisés par l’équipe portent des noms tels que Support Vector Machines (SVM), Random Forest classifier (RF), K-Nearest Neighbor classifier (KNN) et Logistic Regression classifier (LR).
« Ils sont tous assez techniques, et ce sont tous des approches mathématiques informatiques différentes, et tous recherchent des corrélations », a déclaré McDonald. « Il s’agit simplement de savoir lequel utiliser, et pour différents ensembles de données, nous constatons qu’un modèle peut fonctionner mieux qu’un autre. »
Cependant, davantage d’ensembles de données de patients combinant des profils génomiques et des réponses aux médicaments anticancéreux sont nécessaires pour faire avancer la recherche.
« Si nous voulons avoir un impact clinique, nous devons valider nos modèles en utilisant les données d’un grand nombre de patients », a déclaré McDonald, qui a ajouté que de nombreux ensembles de données sont détenus par des sociétés pharmaceutiques qui les utilisent dans le développement de médicaments. Ces données sont généralement considérées comme des informations exclusives et privées. Et bien qu’une quantité importante de données génomiques de patients cancéreux soit généralement disponible, elles ne sont généralement pas corrélées avec les réponses des patients aux médicaments.
McDonald est également en train de discuter avec des compagnies d’assurance médicale de l’accès aux ensembles de données pertinents. « Cela coûte aux compagnies d’assurance une somme d’argent importante pour payer des traitements médicamenteux qui ne fonctionnent pas », a-t-il noté. Du temps, des frais médicaux et, en fin de compte, de nombreuses vies pourraient être sauvés en fournissant aux chercheurs ce type d’informations.
« À l’heure actuelle, un pourcentage de patients ne répondra pas à un médicament, mais nous ne le savons qu’après six semaines de chimiothérapie », a déclaré McDonald. «Ce que nous espérons, c’est que nous disposerons bientôt d’outils capables de prédire avec précision la probabilité qu’un patient réponde aux thérapies de première intention – et s’il ne répond pas, pour pouvoir faire des prédictions précises quant au prochain médicament à essayer. «
La source: Géorgie Tech
