L’algorithme, nouvelle arme contre le cancer

Jean-François Venne Collaboration spéciale
Le développement de meilleures représentations des cellules cancéreuses offre le potentiel d’accélérer la découverte de nouveaux médicaments.
Photo: Getty Images Le développement de meilleures représentations des cellules cancéreuses offre le potentiel d’accélérer la découverte de nouveaux médicaments.

Ce texte fait partie du cahier spécial Recherche en santé

L’intelligence artificielle se montre prometteuse dans le domaine des traitements contre le cancer. Cinq équipes de chercheurs universitaires ont remporté récemment une bourse de 300 000 $ chacune pour financer des projets dans ce champ de recherche. Le concours était organisé par Génome Québec, l’Oncopole et l’IVADO. Les financements doivent s’étaler sur deux ans.

Les chercheurs de l’Université McGill Ian Watson et Hamed S. Najafabadi se sont associés à John Stagg, de l’Université de Montréal, pour développer MELANO-PREDICT. Cet algorithme aiderait à prédire quels patients atteints d’un mélanome métastatique répondront bien à l’immunothérapie. Ce type de traitement vise à renforcer le système immunitaire des malades pour combattre le mélanome.

Dans environ la moitié des cas, le mélanome se présente avec une mutation d’un gène BRAF. Ces patients disposent donc d’une autre option de traitement : des inhibiteurs qui ciblent la protéine BRAF pour réduire la taille du mélanome et en maîtriser la croissance.

Les cliniciens choisissent généralement l’immunothérapie, jugée moins toxique, tout en sachant qu’elle sera inefficace pour un certain nombre de personnes. « Actuellement, on ne peut pas prédire quels patients bénéficieront ou pas de l’immunothérapie, explique John Stagg. Si l’on pouvait le prédire plus précisément, on identifierait immédiatement les patients pour lesquels les inhibiteurs du BRAF constituent une meilleure option. »

Les chercheurs utiliseront les données génomiques anonymisées issues de plusieurs études récentes. Ils souhaitent identifier les signatures de la tumeur et celles de la génomique des patients qui sont associées à une bonne réponse aux immunothérapies, afin de développer un algorithme prédictif.

Traduire l’activité cellulaire en chiffres

L’équipe de Sébastien Lemieux, chercheur principal à l’Institut de recherche en immunologie et en cancérologie de l’Université de Montréal, entend pour sa part rendre plus « digeste » pour les algorithmes la représentation d’informations telles que les variations génétiques personnelles ou les mutations propres au cancer.

En effet, l’utilisation d’algorithmes implique de transformer ces informations en séries de chiffres (vecteurs numériques). Dans le cas d’images, cela se fait assez bien, puisqu’il est assez aisé de représenter la couleur des pixels par un vecteur numérique. Mais en ce qui concerne l’état de l’activité d’une cellule, c’est beaucoup plus difficile. « Or, c’est crucial, car si la représentation offerte à l’algorithme n’est pas bonne, de l’information se perd et l’algorithme devient moins précis », explique M. Lemieux.

Une meilleure connaissance de l’épigénome pourrait permettre de distinguer les cellules cancéreuses des cellules normales et même aider à personnaliser l’évaluation des différents cancers

 

Les chercheurs tenteront donc de mieux représenter les cellules cancéreuses sous forme numérique pour faciliter les diagnostics. Ils mèneront le même exercice avec des molécules susceptibles de devenir des médicaments. « Il y a beaucoup de travail qui se fait pour élaborer des algorithmes, mais moins dans le cas des représentations », souligne M. Lemieux.

Le développement de meilleures représentations offre selon lui le potentiel d’accélérer la découverte de nouveaux médicaments.

Déchiffrer une signature complexe

Jacques Drouin, directeur de l’Unité de recherche en génétique moléculaire et professeur titulaire à l’Institut de recherches cliniques de Montréal, collabore quant à lui avec Marc G. Bellemare, une sommité en intelligence artificielle et en apprentissage profond, associé entre autres à Mila et à Google Research. Leur but : développer des algorithmes qui permettront de mieux comprendre et interpréter l’épigénome.

L’épigénome constitue en quelque sorte l’enrobage du génome d’une cellule, qui reflète sa fonction. Il régule notamment l’activité des gènes, par exemple en facilitant ou en empêchant leur expression. Ainsi, les cellules de la peau, des muscles, ou encore des neurones contiennent les mêmes gènes, mais ceux-ci ne s’expriment pas de la même manière selon la fonction de la cellule. Les différents types de cellules possèdent donc chacun leur signature.

Les signatures de l’épigénome sont toutefois très complexes et demeurent peu comprises. Les chercheurs souhaitent développer un algorithme qui saura repérer des motifs récurrents indicatifs d’une fonction. « Une meilleure connaissance de l’épigénome pourrait permettre de distinguer les cellules cancéreuses des cellules normales et même aider à personnaliser l’évaluation des différents cancers, ce qui reste une tâche ardue et fastidieuse avec les moyens dont on dispose actuellement », souligne Jacques Drouin.

Comme c’est souvent le cas dans un projet de recherche multidisciplinaire, le défi principal consiste à mettre les deux équipes sur la même longueur d’onde et à s’assurer d’établir un langage commun. « M. Bellemare et moi avons échangé pendant de longues heures afin qu’il saisisse bien les questions de biologie auxquelles je souhaite répondre et que je comprenne bien le fonctionnement et les possibilités qu’offre l’intelligence artificielle, raconte M. Drouin. Ce processus doit ensuite être réalisé avec les étudiants spécialisés dans les deux domaines, qui devront travailler ensemble dans une même équipe. »