Dans un nouvel article publié dans Rapports cellulaires Médecine, L’équipe de l’UCL explique comment, en collaboration avec une équipe de l’Université de Cambridge, elle a développé un nouveau type de programme informatique de prévision du traitement qui utilise l’empreinte génétique détaillée d’un individu pour explorer quels traitements, le cas échéant, peuvent tuer son cancer – en particulier lorsque les traitements standard ont échoué.
Les modèles informatiques sont utilisés depuis longtemps en médecine du cancer et, plus récemment, l’intelligence artificielle a ouvert une toute nouvelle voie à cet égard.
Mais la nature de « boîte noire » de l’IA « traditionnelle » associée aux grands modèles linguistiques – pour laquelle la manière dont ils arrivent à leurs conclusions n’est pas claire – a suscité un certain scepticisme au sein de la profession médicale, ont déclaré les chercheurs.
En développant leur modèle, spécifiquement pour recommander des options de traitement pour le cancer du sein triple négatif (TNBC), un cancer difficile à traiter, l’équipe de l’UCL a plutôt utilisé une forme d’IA appelée « IA symbolique » qui repose sur la logique plutôt que sur la prédiction et dont les résultats peuvent être clairement visibles.
Le TNBC est une forme agressive et à croissance rapide de cancer du sein qui représente environ 15 % de tous les cas de cancer du sein.
Pour tester l’efficacité de leur approche, l’équipe a construit des tumeurs générées par ordinateur – ou « jumeaux numériques » – qui ont imité les tumeurs réelles de 31 patients impliqués dans l’essai clinique sur l’inhibiteur de polymérisation du platine et du polyadénosine 5′-diphosphoribose pour la recherche et le traitement du cancer du sein néo-adjuvant précoce et à risque de rechute (PARTNER) en utilisant leurs informations génétiques.
Ils ont ensuite copié le processus que les chercheurs avaient effectué dans l’essai, mais sous forme de simulation informatique : sur chaque jumeau numérique, ils ont vu ce qui se passait lorsqu’ils traitaient la tumeur soit avec une chimiothérapie seule, soit avec une chimiothérapie et un médicament appelé Olaparib, connu pour être efficace dans le traitement du TNBC dans certains cas. Ils ont également réalisé une simulation témoin dans laquelle aucun traitement n’a été effectué.
Ils ont ensuite comparé les résultats des simulations informatiques avec ceux de l’essai clinique et ont constaté que le programme informatique prédisait correctement si le traitement fonctionnerait dans 74 % des cas.
Les jumeaux numériques ont également suggéré des moyens d’aider les patients dont les tumeurs n’avaient pas bien répondu au traitement.
Chez 12 des 13 patients qui n’ont pas répondu complètement, les modèles ont identifié au moins un traitement ciblé supplémentaire qui aurait pu améliorer les résultats.
Pour 10 de ces patients, les modèles ont prédit que le traitement supplémentaire pourrait provoquer un niveau de réponse si élevé qu’aucun cancer invasif ne serait probablement détecté dans le sein et les ganglions lymphatiques du patient par la suite.
L’auteur principal, le professeur Jasmin Fisher (UCL Cancer Institute) a déclaré : « Nous avons montré la gamme large et puissante d’informations que les tumeurs virtuelles personnalisées pourraient apporter à la médecine du cancer grâce à notre modèle informatique symbolique basé sur l’IA.
« En identifiant des approches thérapeutiques pour les patients qui n’ont pas répondu aux traitements standards, notre approche ouvre la voie à l’utilisation des jumeaux numériques par les cliniciens comme outil pour guider leurs décisions thérapeutiques, en particulier dans les cancers difficiles à traiter comme le TNBC.
« Nous considérons notre modèle informatique comme une aide à la pratique clinique existante en matière de cancer, et non comme une alternative : un moyen de générer de nouvelles idées, notamment en ce qui concerne les protéines ou les gènes, qui pourraient être ciblés de manière à restaurer la sensibilité d’un patient aux médicaments existants et à rendre ces traitements efficaces.
« Dans le passé, certains spécialistes du cancer ont naturellement considéré les modèles informatiques avec un certain scepticisme, en particulier lorsqu’ils dépendent de plates-formes d’IA dont le fonctionnement interne n’est pas visible – ce qu’on appelle les modèles de boîte noire.
« Nous avons contourné ce problème en utilisant une IA symbolique qui est basée sur un raisonnement logique et où la manière dont la plateforme arrive à ses réponses peut être facilement vue et interrogée par les médecins.
« En pratique, l’option de traitement recommandée par notre modèle peut, après un examen plus approfondi, être écartée par le clinicien – par exemple s’il considère le médicament comme trop toxique.
« Mais cela pourrait aussi les amener à explorer, et éventuellement à choisir, une troisième option à laquelle ils n’auraient peut-être pas pu aboutir autrement.«
Le TNBC est un type spécifique de cancer du sein dans lequel les cellules cancéreuses sont négatives pour les récepteurs des œstrogènes, les récepteurs de la progestérone et la protéine HER2. Parce que ces trois marqueurs communs sont absents, les thérapies hormonales standards et les médicaments ciblant HER2 ne fonctionnent pas.
Elle est également souvent caractérisée par une affection connue sous le nom de déficit de recombinaison homologue, affectant environ 15 à 20 % ou plus des cas.
Cette condition signifie qu’il est capable de muter très rapidement et très dangereusement, mais crée également un angle mort biologique majeur et signifie que les médicaments utilisés pour bloquer une enzyme particulière – l’enzyme poly-ADP ribose polymérase (PARP) qui aide normalement les cellules endommagées à réparer les cassures simple brin de l’ADN – peuvent la tuer.
Ces médicaments incluent l’Olaparib, qui a été utilisé dans l’essai PARTNER dirigé par le professeur Jean Abraham et des scientifiques de l’Université de Cambridge et de l’hôpital Addenbrooke de Cambridge, entre 2016 et 2024. L’équipe de l’UCL a travaillé avec l’équipe du professeur Abraham sur cette nouvelle étude.
