Avec l'avènement de la pharmacogénomique, la recherche sur l'apprentissage automatique est en bonne voie pour prédire la réponse médicamenteuse des patients qui varie selon les individus à partir des algorithmes dérivés des données précédemment collectées sur les réponses médicamenteuses. Entrer des données d'apprentissage de haute qualité qui peuvent refléter autant que possible la réponse médicamenteuse d'une personne est le point de départ pour améliorer la précision de la prédiction. Auparavant, des études précliniques de modèles animaux étaient utilisées et étaient relativement plus faciles à obtenir par rapport aux données cliniques humaines.
À la lumière de cela, une équipe de recherche dirigée par le professeur Sanguk Kim du Département des sciences de la vie de POSTECH attire l'attention en augmentant avec succès la précision des prévisions de réponse aux médicaments anticancéreux en utilisant les données les plus proches de la réponse d'une personne réelle. L'équipe a développé cette technique d'apprentissage automatique grâce à des algorithmes qui apprennent les informations du transcriptome à partir d'organoïdes artificiels dérivés de patients réels au lieu de modèles animaux. Ces résultats de recherche ont été publiés dans la revue internationale Communications de la nature le 30 octobre.
Même les patients atteints du même cancer ont des réactions différentes aux médicaments anticancéreux, de sorte qu'un traitement personnalisé est considéré comme primordial dans le développement du traitement. Cependant, les prévisions actuelles étaient basées sur les informations génétiques des cellules cancéreuses, limitant leur exactitude. En raison d'informations inutiles sur les biomarqueurs, l'apprentissage automatique posait un problème d'apprentissage basé sur de faux signaux.
Pour augmenter la précision prédictive, l'équipe de recherche a introduit des algorithmes d'apprentissage automatique qui utilisent un réseau d'interaction protéique pouvant interagir avec des protéines cibles ainsi qu'avec le transcriptome de protéines individuelles directement liées aux cibles médicamenteuses. Il induit l'apprentissage de la production du transcriptome d'une protéine fonctionnellement proche de la protéine cible. Grâce à cela, seuls les biomarqueurs sélectionnés peuvent être appris au lieu des faux biomarqueurs que l'apprentissage automatique conventionnel a dû apprendre, ce qui augmente la précision.
En outre, des données provenant d'organoïdes provenant de patients – et non de modèles animaux – ont été utilisées pour réduire l'écart des réponses chez les patients réels. Avec cette méthode, les patients atteints d'un cancer colorectal traités par le 5-fluorouracile et les patients atteints d'un cancer de la vessie traités par le cisplatine étaient comparables aux résultats cliniques réels.
Ces résultats de recherche devraient aider à identifier le mécanisme des nouveaux médicaments anticancéreux ainsi qu'à mettre en œuvre des soins médicaux personnalisés précis aux patients. Cette recherche a été menée avec le soutien de la Graduate School of Artificial Institute (GSAI) de POSTECH et du Mid-Career Researcher Program et du Priority Research Institute Program par le biais de la National Research Foundation (NRF) et du ministère des Sciences et des TIC de Corée.
La source:
Université des sciences et technologies de Pohang (POSTECH)
Référence du journal:
Kong, J., et coll. (2020) L'apprentissage automatique en réseau dans les modèles colorectaux et organoïdes de la vessie prédit l'efficacité des médicaments anticancéreux chez les patients. Communications de la nature. doi.org/10.1038/s41467-020-19313-8.
