L’apprentissage automatique aide désormais les chercheurs à analyser la composition de cellules inconnues, ce qui pourrait conduire à une médecine plus personnalisée dans le traitement du cancer et d’autres maladies graves.
Des chercheurs de l’Université de Waterloo ont développé GraphNovo, un nouveau programme qui permet de mieux comprendre les séquences peptidiques dans les cellules. Les peptides sont des chaînes d’acides aminés au sein des cellules et constituent des éléments constitutifs aussi importants et uniques que l’ADN ou l’ARN.
Chez une personne en bonne santé, le système immunitaire peut identifier correctement les peptides de cellules irrégulières ou étrangères, telles que des cellules cancéreuses ou des bactéries nocives, puis cibler ces cellules pour les détruire. Pour les personnes dont le système immunitaire est en difficulté, le domaine prometteur de l’immunothérapie vise à recycler leur système immunitaire afin d’identifier ces dangereux envahisseurs.
« Ce que les scientifiques veulent faire, c’est séquencer ces peptides entre les tissus normaux et les tissus cancéreux pour reconnaître les différences », a déclaré Zeping Mao, doctorant à la Cheriton School of Computer Science qui a développé GraphNovo sous la direction du Dr Ming Li.
Ce processus de séquençage est particulièrement difficile pour les nouvelles maladies ou les cellules cancéreuses, qui n’ont peut-être pas été analysées auparavant. Même si les scientifiques peuvent s’appuyer sur une base de données peptidique existante pour analyser des maladies ou des organismes précédemment étudiés, le cancer et le système immunitaire de chaque personne sont uniques.
Pour établir rapidement un profil des peptides dans une cellule inconnue, les scientifiques ont utilisé une méthode appelée séquençage peptidique de novo, qui utilise la spectrométrie de masse pour analyser rapidement un nouvel échantillon. Ce processus peut laisser certains peptides incomplets ou totalement absents de la séquence.
Grâce à l’apprentissage automatique, GraphNovo améliore considérablement la précision de l’identification des séquences peptidiques en comblant ces lacunes avec la masse précise de la séquence peptidique. Un tel progrès en matière de précision sera probablement extrêmement bénéfique dans divers domaines médicaux, notamment dans le traitement du cancer et la création de vaccins contre des maladies telles qu’Ebola et COVID-19. Les chercheurs ont réalisé cette percée grâce à l’engagement de Waterloo en faveur des progrès dans l’interface entre la technologie et la santé.
Si nous ne disposons pas d’un algorithme suffisamment performant, nous ne pouvons pas créer de traitements. Pour l’instant, tout cela est théorique. Mais bientôt, nous pourrons l’utiliser dans le monde réel. »
Zeping Mao, doctorant, Cheriton School of Computer Science
