IA et apprentissage automatique : de nouveaux leviers pour découvrir des biomarqueurs du cancer et améliorer les stratégies thérapeutiques
Des chercheurs au Japon ont mis au point un score de « niche MYCN » capable de prédire le risque de cancer du foie avec une précision de 93%, ouvrant la voie à des biomarqueurs spatiaux fondés sur le microenvironnement tumoral. Parallèlement, l’IA pourrait accélérer le repositionnement de médicaments existants afin de combler le manque de traitements d’entretien après cancer et réduire les risques de récidive.
Les chercheurs dirigés par Xian-Yang Qin au RIKEN Center for Integrative Medical Sciences au Japon ont mis au point un score permettant de prédire le risque de cancer du foie. Publiée dans la revue scientifique Proceedings of the National Academy of Sciences, l’étude établit que la protéine MYCN stimule la tumorigenèse hépatique, en particulier le type de tumeurs observées dans le sous-type le plus mortel de cancer du foie.
Le cancer du foie, ou carcinome hépatocellulaire (hepatocellular carcinoma), est responsable de plus de 800 000 décès dans le monde chaque année. La mortalité est très élevée car le cancer reste souvent non détecté jusqu’à des stades tardifs et parce que le taux de récidive se situe entre 70% et 80%.
Le gène MYCN est reconnu comme un facteur contribuant au cancer du foie se développant à partir de foies endommagés, mais le mécanisme exact est resté incertain. Les chercheurs ont estimé que si sa surexpression conduit directement à la tumorigenèse hépatique, il constituerait un candidat idéal comme biomarqueur et pour des études plus approfondies. Pour tester leur hypothèse, l’équipe a d’abord utilisé un système de transposon basé sur une injection hydrodynamique dans la veine caudale afin d’insérer MYCN (le transposon) dans le génome hépatique de la souris.
L’équipe a constaté que lorsqu’elle utilisait le système pour surexprimer MYCN avec AKT toujours actif, 72% des souris développaient des tumeurs hépatiques en moins de 50 jours. Une série de tests a montré que ces tumeurs présentaient toutes les caractéristiques du carcinome hépatocellulaire humain. Les tumeurs ne se développaient pas lorsque l’un ou l’autre de ces gènes était surexprimé seul.
Pour caractériser le microenvironnement, les chercheurs ont eu recours à la transcriptomique spatiale (spatial transcriptomics). Cette technique montre quels gènes sont activés dans un tissu et à quel endroit précis du tissu cette activité se produit. Dans un modèle murin de cancer du foie associé à une dysfonction métabolique, les chercheurs ont utilisé cette méthode pour analyser l’expression génique au fil du temps et selon la localisation à mesure que les tumeurs hépatiques se développaient, en se concentrant sur les zones où MYCN augmentait. Ils ont découvert un ensemble de 167 gènes dont l’expression était différentielle dans des zones du foie exemptes de tumeur présentant des niveaux accrus de MYCN. Ils ont nommé cet ensemble la « niche MYCN ».
À partir des données de transcriptomique spatiale chez la souris, les chercheurs ont ensuite développé un modèle d’apprentissage automatique capable de prendre les caractéristiques d’un profil d’expression génique donné et de produire un score indiquant s’il correspond ou non à une niche MYCN. Le modèle peut le faire avec une précision de 93%.
Le score de niche MYCN a ensuite été calculé pour des jeux de données de carcinome hépatocellulaire humain. Les patients présentant des scores de niche MYCN plus élevés montraient un risque plus important de récidive tumorale et des résultats cliniques moins favorables. Cette relation était plus marquée lorsque le score était dérivé de tissu non tumoral plutôt que de tissu tumoral. Le score constitue ainsi une preuve de concept de biomarqueur spatial permettant de prédire le pronostic à partir de microenvironnements favorisant la formation tumorale.
Cette avancée intervient alors que l’intelligence artificielle montre un potentiel plus large en cancérologie, au-delà du diagnostic. Les traitements anticancéreux ne peuvent cibler que 46 des 750 mutations connues qui influencent la progression et la récidive de la maladie. Cet écart fait directement écho au NHS 10 Year Plan récemment publié, qui appelle à un diagnostic plus précoce et à une filière d’interventions abordables et personnalisées pour maintenir les patients sans cancer.
Le déficit de prise en charge de la survivance laisse les patients dans un état de vulnérabilité après le traitement, avec, bien souvent, la recommandation dépassée de « surveiller et attendre » le retour du cancer. Après une chirurgie ou une chimiothérapie, la plupart des survivants du cancer, pour presque tous les types de cancers, n’ont pas de traitement d’entretien standard.
Grâce à l’IA, il est possible de combler cet écart en analysant plus de 100 000 articles de recherche évalués par les pairs afin d’identifier des médicaments peu coûteux et peu toxiques déjà disponibles sur le marché, capables de cibler l’ensemble des 750 mutations conductrices (driver mutations) du cancer. Comme ces médicaments sont déjà génériques, ils soutiennent directement l’accent mis par le NHS 10 Year Plan sur une innovation rentable, réduisant les inégalités de santé.
La force de l’IA réside dans sa capacité à traiter d’immenses ensembles de données, notamment des données biologiques, cliniques et pharmacologiques, afin de mettre au jour des liens que l’humain pourrait manquer. Par exemple, une étude figurant dans la base de données des National Institutes of Health (NIH) suggère que des médicaments anti-inflammatoires pourraient réduire de 42% le risque de récidive de la maladie chez des patientes atteintes de cancer du sein. L’IA peut identifier des associations de médicaments existants capables de cibler simultanément plusieurs vulnérabilités du cancer — par exemple quatre ou cinq à la fois — maximisant l’impact tout en minimisant la toxicité.
De nouvelles thérapies nécessitent souvent plus d’une décennie et des milliards de livres avant d’être disponibles. Pendant ce temps, les survivants du cancer se retrouvent sans options proactives pour prévenir la récidive, à un moment où une intervention pourrait améliorer de façon spectaculaire les résultats. Le déficit de prise en charge de la survivance, historiquement sous-financé par rapport au diagnostic et aux traitements actifs, représente une opportunité majeure de changer les résultats grâce au repositionnement de médicaments guidé par l’IA et à l’identification de biomarqueurs issus de modèles d’apprentissage automatique.