Des chercheurs viennent d'inventer une nouvelle approche permettant de prédire de quelle manière les cellules vont réagir individuellement à un traitement spécifique. Cette méthode, s'appuyant sur l'apprentissage automatique, offre de l'espoir de traitements personnalisés aux personnes souffrant notamment de cancers.
Image d'illustration Pixabay
Le cancer vient de modifications cellulaires qui amènent à la prolifération de cellules tumorales. Toutefois, trouver le dosage et surtout la combinaison de médicaments pour agir efficacement sur le patient est un défi quotidien pour les médecins. Dans l'idéal, un médicament administré dans le cadre d'une thérapie cancéreuse, présenterait une efficacité optimale s'il détruisait uniquement les cellules tumorales. Malheureusement de manière générale, un traitement médicamenteux est prescrit sur la base d'une moyennestatistique constatée sur une large population cellulaire. Cette administration ne prend donc pas en compte la survie éventuelle de certaines cellules du fait de leur nature spécifique. De ce fait, le cancer peut malgré tout continuer à se propager.
Une équipe de recherche composée de scientifiques de l'hôpital universitaire de Zurich, de l'ETH Zurich, et de l'Université de Zurich, vient de développer une nouvelle approche permettant de reconnaître les réactions distinctes que chaque cellule peut avoir unitairement face à un médicament. Avec cette compréhension de la variation cellulaire, les chercheurs espèrent pouvoir mettre en place des traitements contre le cancer plus efficaces.
C'est en s'appuyant sur un outil utilisant une méthode de machine learning (apprentissage automatique) nommée CellOT, que les chercheurs ont réussi à modéliser puis décrire (et même prédire) comment chaque cellule va réagir aux perturbations causées par un médicament. Avec cette méthode, il leur est désormais possible d'identifier précisément quelles cellules cancéreuses vont répondre à un médicament, mais également d'identifier les caractéristiques de celles qui vont former une résistance, alors même que ces réactions n'ont pas encore été mesurées en laboratoire. Ces observations peuvent par la suite permettre de développer de nouvelles stratégies de traitement personnalisé.
Des essais cliniques plus aboutis seront encore nécessaires avant de pouvoir utiliser cette méthode en milieu hospitalier, mais les chercheurs ont déjà réussi à démontrer sa capacité à fournir des prédications d'une grande précision.