Des chercheurs de l’Hôpital pour enfants de Philadelphie (CHOP) ont développé un nouvel algorithme basé sur l’IA pour aider à comprendre comment différentes cellules s’organisent en tissus particuliers et communiquent entre elles. Ce nouvel outil a été testé sur deux types de tissus cancéreux pour révéler comment ces « quartiers » de cellules interagissent les uns avec les autres pour échapper au traitement, et d’autres études pourraient révéler plus d’informations sur la fonction de ces cellules dans le microenvironnement tumoral.
Les résultats ont été publiés en ligne aujourd’hui par la revue Méthodes naturelles.
Pour comprendre comment différentes cellules s’organisent pour soutenir les fonctions d’un tissu, les chercheurs ont proposé le concept de voisinages cellulaires tissulaires (TCN) pour décrire des unités fonctionnelles dans lesquelles différents types de cellules récurrents travaillent ensemble pour soutenir des fonctions tissulaires spécifiques. D’un individu à l’autre, les fonctions de ces RPT resteraient les mêmes. Cependant, traduire l’énorme quantité d’informations contenues dans les données omiques spatiales en modèles et hypothèses pouvant être interprétés et testés par les chercheurs nécessite des algorithmes d’IA avancés.
Il est très difficile d’étudier le microenvironnement tissulaire, la manière dont certaines cellules s’organisent, se comportent et communiquent entre elles. Jusqu’aux progrès récents de la technologie dite spatiale omique, il était impossible de caractériser spatialement plus de 100 protéines ou des centaines, voire des milliers de gènes dans un morceau de tissu, qui pourrait abriter des centaines de milliers de cellules et leurs gènes respectifs.
Kai Tan, PhD, auteur principal de l’étude, chercheur au Center for Childhood Cancer Research du CHOP et professeur au Département de pédiatrie et à la Perelman School of Medicine, Université de Pennsylvanie
Dans cette étude, les chercheurs ont développé l’algorithme CytoCommunity basé sur l’apprentissage profond pour identifier les TCN sur la base des identités cellulaires d’un échantillon de tissu, de leurs distributions spatiales ainsi que des données cliniques des patients, ce qui peut aider les chercheurs à mieux comprendre comment ces quartiers de cellules sont organisés et sont associés à certains résultats cliniques. Dans cette étude, des échantillons de tissus provenant de tumeurs du sein et colorectales ont été utilisés en raison du volume élevé de données disponibles, suffisant pour entraîner l’algorithme à identifier les TCN associés à des sous-types de maladies à haut risque.
En utilisant CytoCommunity pour les données sur le cancer du sein et colorectal, l’algorithme a révélé de nouveaux TCN enrichis en fibroblastes et des TCN enrichis en granulocytes spécifiques au cancer du sein à haut risque et au cancer colorectal, respectivement.
« Puisque nous avons pu prouver l’efficacité de CytoCommunity, la prochaine étape consiste à appliquer cet algorithme aux données sur les tissus sains et malades générées par des consortiums de recherche tels que HuBMAP (Human BioMolecular Atlas Program) et HTAN (Human Tumor Atlas Network) » Tan dit. « Par exemple, en utilisant les données sur les cancers infantiles tels que la leucémie, le neuroblastome et les gliomes de haut grade, nous espérons trouver des voisinages cellulaires tissulaires qui pourraient être associés à des réponses à certaines thérapies et combiner nos résultats avec des données génétiques pour aider à déterminer quelles voies génétiques pourraient être impliqué aux niveaux cellulaire et moléculaire.
Cette étude a été financée par les subventions CA233285, HL165442 et HL156090 des National Institutes of Health, une subvention de l’Initiative Chan Zuckerberg (AWD-2021-237920), une subvention du Leona M. et Harry B Helmsley Charitable Trust (n° 2008-04062). ), une subvention no. 62002277, une subvention du Fonds pour les jeunes talents de l’Association universitaire pour la science et la technologie du Shaanxi (n° 20210101), une subvention du Fonds de recherche fondamentale pour les universités centrales (n° QTZX23051) et la subvention n° 62002277 de la Fondation nationale des sciences naturelles de Chine. . 62132015 et U22A2037.
