Une tumeur cancéreuse n’est pas un ennemi unique. Il est constitué de nombreuses populations cellulaires différentes qui peuvent se comporter de manières très différentes. Parmi elles, même au moment du diagnostic, il peut déjà y avoir des cellules qui, des mois ou des années plus tard, pourraient donner lieu à des métastases ou devenir résistantes au traitement. Le défi est que ces populations cellulaires critiques sont extrêmement difficiles à détecter à temps. Des chercheurs de Szeged, en collaboration avec des partenaires suisses et suédois, ont réalisé une avancée importante dans ce domaine.
Le groupe de recherche sur l’analyse d’images microscopiques Momentum et l’apprentissage automatique, dirigé par Péter Horváth, récemment nommé secrétaire d’État à la Science, s’efforce de relever ce défi. Basé au centre de recherche biologique HUN-REN de Szeged, le groupe développe des méthodes basées sur l’intelligence artificielle qui relient les images microscopiques de tissus aux informations moléculaires. Deux publications récentes à fort impact dans la littérature scientifique internationale rapportent pour la première fois des mesures au niveau d’une seule cellule des profils génétiques et protéiques de clones de tumeurs (https://doi.org/10.1038/s44321-026-00484-8), ainsi que la génétique de la formation de métastases par des clones de tumeurs. (https://doi.org/10.1038/s41698-026-01569-w). Ces résultats ouvrent de nouvelles perspectives pour l’avenir de la thérapie de précision contre le cancer.
Les analyses moléculaires traditionnelles examinent souvent un échantillon de tissu entier à la fois. En conséquence, des différences importantes entre des régions distinctes d’une tumeur peuvent être perdues. L’objectif de cette nouvelle approche est de permettre aux chercheurs de voir non seulement à quoi ressemble une tumeur, mais également comment fonctionnent ses différentes populations cellulaires. De cette manière, la carte interne d’une tumeur devient non seulement visible, mais également lisible au niveau moléculaire.
Sommaire
Collaboration internationale et système unique au monde à Szeged
Le groupe du centre de recherche biologique HUN-REN de Szeged développe ces technologies de pathologie numérique et d’omique spatiale en collaboration avec des partenaires suédois et suisses. Les principaux collaborateurs comprennent Holger Moch, pathologiste moléculaire de renommée mondiale à l’hôpital universitaire de Zurich, et György Marko-Varga, professeur de recherche à l’université de Lund.
Le centre de recherche automatisé sur les cellules uniques créé par le groupe de Szeged constitue un fondement technologique majeur des travaux. Ce système unique au monde permet d’isoler des cellules sélectionnées par l’IA avec une grande précision, sans intervention humaine, même 24 heures sur 24, pour une analyse moléculaire ultérieure.
L’approche est basée sur la Deep Visual Proteomics, ou DVP. Dans cette méthode, l’intelligence artificielle analyse d’abord les images histologiques de tissus et identifie les types de cellules ou les populations cellulaires pertinentes. Les chercheurs utilisent ensuite un mince faisceau laser pour isoler précisément ces cellules de l’échantillon. Ensuite, l’analyse protéomique est utilisée pour cartographier les protéines présentes dans les cellules sélectionnées. Les protéines sont particulièrement informatives car elles reflètent directement la façon dont une cellule cancéreuse fonctionne, se développe, s’adapte ou devient résistante au traitement.
Une vision plus approfondie du comportement agressif des cellules cancéreuses
Dans cette étude, le groupe de recherche a développé le DVP de manière importante : les populations de cellules tumorales sélectionnées par analyse d’images basée sur l’IA ont été examinées non seulement par protéomique, c’est-à-dire au niveau protéique, mais également par transcriptomique. La transcriptomique montre quels gènes sont actifs dans une cellule.
Ceci était particulièrement important pour les populations cellulaires qui semblaient plus dangereuses au microscope. Les chercheurs ont pu examiner les mêmes groupes de cellules sous deux angles complémentaires : quels gènes y étaient activés et quelles fonctions au niveau des protéines résultaient de cette activité.
Grâce à cette approche, les chercheurs peuvent révéler plus précisément comment les populations cellulaires visuellement distinctes au sein d’une tumeur diffèrent biologiquement les unes des autres. Cela est important car l’agressivité d’une cellule cancéreuse ne s’explique pas par un seul facteur, mais par les effets combinés de l’activité des gènes, de la fonction des protéines, du métabolisme et des interactions avec le système immunitaire.
Retracer les origines possibles des métastases
Dans une autre étude, le groupe de recherche a démontré le potentiel clinique de la technologie à travers le cas d’un jeune patient atteint d’un mélanome métastatique récurrent. Des échantillons de la tumeur originale du patient, ainsi que des métastases ultérieures aux poumons et au cerveau, ont été analysés à l’aide d’une pathologie numérique basée sur l’IA et d’une protéomique résolue spatialement.
L’intelligence artificielle a identifié deux populations distinctes de cellules tumorales dans le mélanome d’origine du patient. Les cellules des métastases ultérieures ressemblaient principalement à l’une de ces premières populations. L’analyse au niveau des protéines a confirmé cette observation : le profil moléculaire de cette population cellulaire était le plus proche de celui des lésions métastatiques. Cela suggère que des traces de la propagation ultérieure de la maladie pourraient déjà être présentes dans la tumeur d’origine.
Dans le cas du mélanome, nous n’avons pas simplement constaté que les différentes parties de la tumeur avaient un aspect différent. Avec cette méthode, nous avons également pu montrer que ces différences se reflétaient au niveau protéique. Cela pourrait nous rapprocher de la compréhension des populations cellulaires qui peuvent être responsables de la formation de métastases. »
Ede Migh, biologiste et l’un des chercheurs impliqués dans l’étude
Comment cela pourrait-il soutenir les futurs soins aux patients ?
Les travaux interconnectés du groupe de recherche de Szeged montrent que les tumeurs ne peuvent plus être comprises simplement comme des masses uniformes. Différentes populations cellulaires peuvent coexister au sein d’une même tumeur, et certaines d’entre elles peuvent jouer un rôle crucial dans les métastases, la croissance agressive ou la résistance aux traitements.
Dans cette approche, l’IA ne diagnostique pas seule. Au lieu de cela, il offre un nouveau niveau de résolution pour l’étude des tumeurs. Alors que l’évaluation pathologique traditionnelle classe des régions tissulaires plus vastes, l’intelligence artificielle peut analyser l’échantillon cellule par cellule. Cela peut révéler quels types de cellules cancéreuses sont présentes dans différentes régions de la tumeur, où elles se trouvent, quels modèles elles forment et dans quelles proportions elles se produisent.
« Plus nous pouvons voir avec précision quelles cellules font avancer la maladie, plus nous nous rapprochons du ciblage non seulement de la tumeur en général, mais aussi de ses parties les plus dangereuses », a déclaré Péter Horváth.
Bien que ces résultats ne représentent pas encore une nouvelle thérapie immédiate accessible à tous les patients, ils pourraient aider les chercheurs et les cliniciens à cartographier plus précisément le comportement de la tumeur à l’avenir, à mieux évaluer les risques et à prendre en charge des décisions thérapeutiques plus personnalisées.
