Dorénavant, une plateforme d'intelligence artificielle développée au MDC peut analyser les données génomiques d’un cancer. De manière extrêmement rapide, elle peut reconnaître la caractéristique d’un cancer mdc. Pour le faire, il filtre les modèles essentiels dans le but de classer les cancers colorectaux et améliorer le développement des médicaments. A cet effet, certain type de signe ou de risque de cancer colorectal doivent donc être réarrangés.
Pour une classification rapide et précise
C’est un nouvel algorithme d'apprentissage approfondi le plus utilisé par les ccr du fait qu’il peut analyser rapidement et précisément différents types de données génomiques des cancers obtenues. À partir de carcinomes colorectaux, l’IA de l’MDC classe ces informations avec plus de précision. Cela pourrait améliorer le diagnostic et les options de traitement associées.
Suite à l’explication du Dr Altuna Akalin, chef du groupe de recherche en bio-informatique de l'Institut de biologie systémique médicale de Berlin (BIMSB) du Centre Max Delbrück de médecine moléculaire (MDC) et du CCR, la plupart des maladies sont beaucoup plus complexes qu'un seul gène. Ainsi, pour saisir cette complexité, ils ont besoin d'une sorte d'apprentissage machine qui puisse vraiment traiter toutes les données d’une maladie cancer. Ce, afin d’analyser les nombreuses caractéristiques présentes dans le matériel génétique du cancer, notamment : l'expression des gènes, les mutations ponctuelles et les changements structurels dans lesquels un segment d'ADN est généré plusieurs fois (CNV, variantes du nombre de copies).
Akalin et son doctorant Jonathan Ronen ont conçu la plateforme "Multi-omics Autoencoder Integration", ou "maui" en abrégé.
En tant que plateforme d'apprentissage approfondie du cancer, maui est capable d'analyser de multiples ensembles de données en omique. Ainsi, il peut reconnaître les modèles ou les caractéristiques les plus importants comme dans le cas des ensembles de gènes ou des indicateurs pour le cancer colorectal.
Pour une reclassification des sous-types
La plateforme maui peut classifier les données des modèles qui correspondaient aux quatre sous-types connus de carcinomes colorectaux. Aussi, il est capable d’attribuer les tumeurs à ces sous-types avec une grande précision.
En outre, elle a fait une autre découverte intéressante telle que le modèle qui suggère qu'un sous-type (CMS2) pourrait être divisé en deux groupes différents. Selon cette découverte, les cancers ont des mécanismes et des taux de survie différents.
L'équipe propose de poursuivre les investigations pour déterminer si le sous-type d’un cancer est unique ou généralement caractéristique de la propagation de la tumeur. Dans les deux cas, le résultat montre ce dont la plateforme est capable : elle peut prendre en compte, non seulement, les gènes connus déjà associés à la maladie de cancer, mais aussi toutes les autres données. Ce qui permet d'approfondir les connaissances pour reconnaître la caractéristique d’un cancer mdc chez une femme ou un homme.
Selon la parole d’Akalin : "En utilisant les méthodes de la science des données, on peut également obtenir des informations sur le cancer à partir de données complexes qui sont normalement difficiles à interpréter. Cela, du fait que vous pouvez alimenter les algorithmes avec toutes les données disponibles sur les cancers parce qu’ils trouveront des modèles significatifs."
Avec l’outil du MDC : plus vite et mieux
A titre de démonstration, pour reconnaître la caractéristique d’un cancer mdc, non seulement le programme est plus précis, mais, il fonctionne aussi plus rapidement que les autres algorithmes d'apprentissage machine. Pour le savoir, il ne lui faut que trois minutes pour filtrer 100 modèles. D'autres programmes prenaient 20 minutes, voire 11 heures.
D’après l’explication du premier auteur de l’étude, Jonathan Ronen: "Le programme est capable d'apprendre un certain nombre de facteurs latents du cancer qui sont des ordres de grandeur plus élevés en une fraction du temps de calcul".
Même, l'équipe a été surprise de la rapidité du système. Notamment, parce que les chercheurs n'ont pas utilisé de cartes graphiques, qui accélèrent normalement les calculs. C’est un signe qui montre à quel point l'algorithme est déjà extrêmement bien optimisé et efficace, même si l'équipe continue de travailler à l'amélioration du système.
Pour améliorer le développement des médicaments
Afin d'étudier l'effet de drogues potentielles par exemple, l'équipe a quelque peu adapté le programme. Désormais, il peut également analyser des lignées cellulaires qui ont été prélevées sur des cancers ou cultivées en laboratoire. Au niveau moléculaire, cependant, les lignées cellulaires diffèrent des vraies tumeurs à bien des égards. Afin d'estimer l'ampleur des différences, l'équipe a utilisé des lignées de cellules de maui, qui sont actuellement utilisées pour tester des médicaments contre le cancer colorectal et pour comparer aussi les cellules de vraies tumeurs. Près de la moitié des lignées cellulaires étaient donc plus étroitement liées à d'autres qu'à de véritables tumeurs. Seule une poignée de lignés sont plus proches des différents types de carcinomes colorectaux.
Bien que la recherche de nouveaux médicaments pour le cancer soit loin de reposer uniquement sur les lignées cellulaires, cette découverte pourrait aider à mieux exploiter tout le potentiel de la recherche sur ces lignées. Il pourrait également être possible de l'adapter à d'autres types de tests de dépistage de drogues basés sur l'information génétique.
Google: moteur de recherche du cancer
Une fois que la plateforme d'apprentissage approfondi pour le cancer colorectal aura été largement testée, elle pourrait également être utilisée pour analyser les données des nouveaux patients. De la sorte, on peut considérer cela comme un moteur de recherche.
À titre d’illustration, pour reconnaître la caractéristique d’un cancer, les médecins pourraient introduire les données génétiques d'une personne atteint de cancer dans le maui pour trouver la meilleure correspondance ou un signe et ainsi classer la tumeur rapidement et avec précision. Par cette capacité de sa fonctionnalité, la plateforme pourrait alors recommander des médicaments qui ont bien fonctionné dans des cancers similaires. Il pourrait ainsi aider à prédire si une thérapie particulière est bénéfique et quels sont les taux de survie.
Actuellement, cela n'est possible que dans un environnement universitaire et si les médecins ont préalablement essayé tous les protocoles cliniques disponibles. Il y a encore un long chemin à parcourir pour obtenir un test ou un système approuvé pour un usage clinique. Avec le soutien du programme "Digital Health Accelerator" de l'Institut de la santé de Berlin, l'équipe évalue le potentiel de commercialisation du système. En outre, ils continuent à développer le maui pour l'appliquer à d'autres types de cancer.