L'apprentissage profond au service de la thérapie de précision contre le cancer
L'outil trouve la racine de la maladie
Altuna Akalin et son équipe du Centre Max Delbrück ont mis au point un nouvel outil pour guider plus précisément le traitement du cancer. Décrit dans un article publié dans "Nature Communications", l'outil, appelé Flexynesis, utilise des réseaux neuronaux profonds et évalue des données multi-modales.
Près de 50 nouvelles thérapies contre le cancer sont approuvées chaque année. C'est une bonne nouvelle. "Mais pour les patients et leurs médecins traitants, il devient de plus en plus difficile de suivre et de sélectionner les méthodes de traitement dont les personnes concernées - chacune avec ses caractéristiques tumorales très individuelles - bénéficieront le plus", explique le Dr Altuna Akalin, responsable de la plateforme technologique Bioinformatics and Omics Data Science à l'Institut de Berlin pour la biologie des systèmes médicaux du Centre Max Delbrück (MDC-BIMSB). La chercheuse travaille depuis un certain temps au développement d'outils utilisant l'intelligence artificielle pour établir des diagnostics plus précis et déterminer la meilleure forme de thérapie adaptée à chaque patient.
L'équipe d'Akalin a maintenant développé une boîte à outils appelée Flexynesis, qui ne repose pas uniquement sur l'apprentissage automatique classique mais utilise également l'apprentissage profond pour évaluer simultanément des types de données très différents - par exemple, des données multi-omiques ainsi que des textes et des images spécialement traités, tels que des tomodensitogrammes ou des IRM. "De cette manière, il permet aux médecins d'établir de meilleurs diagnostics, pronostics et stratégies de traitement pour leurs patients", explique Akalin. Flexynesis est décrite en détail dans un article publié dans "Nature Communications".
"Nous menons de nombreux projets translationnels avec des médecins qui souhaitent identifier des biomarqueurs à partir de données multi-omiques qui correspondent aux résultats de la maladie", explique le Dr Bora Uyar, premier auteur et co-auteur de la publication. "Bien que de nombreuses méthodes basées sur l'apprentissage profond aient été publiées à cette fin, la plupart se sont révélées inflexibles, liées à des tâches de modélisation spécifiques, ou difficiles à installer et à réutiliser. Cette lacune nous a motivés à construire Flexynesis comme une véritable boîte à outils, flexible pour différentes tâches de modélisation et packagée sur PyPI, Guix, Docker, Bioconda et Galaxy, afin que d'autres puissent facilement l'appliquer dans leurs propres pipelines."
L'outil trouve la racine de la maladie
L'apprentissage profond est un sous-domaine de l'apprentissage automatique qui va au-delà des simples réseaux neuronaux avec une ou deux couches de calcul, en utilisant plutôt des réseaux profonds qui fonctionnent avec des centaines, voire des milliers de couches. "Le cancer et d'autres maladies complexes résultent de l'interaction de divers facteurs biologiques, par exemple au niveau de l'ADN, de l'ARN et des protéines", explique M. Akalin. Les changements caractéristiques à ces niveaux - tels que la quantité de protéine HER2 produite dans le cancer du sein ou de l'estomac - sont souvent enregistrés, mais ne sont généralement pas encore analysés en conjonction avec tous les autres facteurs pertinents pour la thérapie.
C'est là que Flexynesis entre en jeu. "Jusqu'à présent, les outils comparables ont souvent été soit difficiles à utiliser, soit seulement utiles pour répondre à certaines questions", explique M. Akalin. "Flexynesis, en revanche, peut répondre à plusieurs questions médicales en même temps : par exemple, quel type de cancer est en cause, quels médicaments sont particulièrement efficaces dans ce cas, et comment ils affecteront les chances de survie du patient." L'outil permet également d'identifier des biomarqueurs appropriés pour le diagnostic et le pronostic, ou - si des métastases d'origine inconnue sont découvertes - d'identifier la tumeur primaire. "Cela facilite l'élaboration de stratégies de traitement complètes et personnalisées pour tous les types de patients atteints de cancer", explique M. Akalin.
L'intégration des données en clinique - même sans expérience de l'IA
L'année dernière, Akalin a présenté un autre outil basé sur l'IA, appelé Onconaut, qui aide également à identifier la bonne thérapie anticancéreuse. "Onconaut s'appuie sur des biomarqueurs connus, des résultats d'essais cliniques et des lignes directrices en vigueur - il fonctionne donc sur un principe complètement différent", explique M. Akalin. "Cet outil ne deviendra pas obsolète, mais pourra au contraire compléter utilement Flexynesis."
L'un des obstacles que le nouvel outil doit encore surmonter, du moins en Allemagne, est le fait que les données multi-omiques ne sont pas encore collectées de manière routinière dans les hôpitaux. Aux États-Unis, en revanche, ces données sont fréquemment discutées au sein des "tumor boards" des hôpitaux, où des médecins de différentes spécialités planifient ensemble le traitement de leurs patients", explique M. Akalin. Son équipe a montré que ces données peuvent être utilisées pour prédire avec précision l'efficacité d'un traitement donné. "En Allemagne, les données multiomiques détaillées n'ont jusqu'à présent été utilisées que dans le cadre de programmes phares tels que le programme MASTER pour les cancers rares", ajoute-t-il. Mais cela pourrait bientôt changer.
Akalin souligne que les utilisateurs de son outil, qui s'adresse actuellement principalement aux médecins et aux chercheurs cliniques et qui est continuellement mis à jour, n'ont pas besoin d'avoir des connaissances particulières en matière d'apprentissage profond. "J'espère qu'il abaissera les barrières qui empêchent les hôpitaux et les groupes de recherche de procéder à l'intégration de données multimodales, c'est-à-dire à l'analyse simultanée de données omiques, de rapports écrits et d'images, même sans la présence d'experts en IA à leurs côtés", déclare-t-il. Flexynesis est facilement accessible en ligne, de même que les instructions d'utilisation de l'outil.
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Bora Uyar, et al. (2025): „Flexynesis: A deep learning toolkit for bulk multi-omics data integration for precision oncology and beyond“. Nature Communications
Autres actualités du département science
