Nouvelle productivité de qualité | L’intelligence artificielle peut-elle dépister des médicaments antitumoraux ? L'équipe du laboratoire Liangzhu collabore pour développer un nouveau cadre d'apprentissage profond

Dans les temps anciens, Shennong goûtait des centaines d’herbes pour comprendre leurs propriétés médicinales. Aujourd’hui, l’intelligence artificielle peut également « tester » des médicaments dans le monde numérique et prédire leurs effets sur différents types de cellules tumorales.

Récemment, une équipe comprenant Guo Guoji, Han Xiaoping et Xia Hongguang du laboratoire Liangzhu/École de médecine fondamentale de l'Université du Zhejiang a lancé conjointement un cadre d'apprentissage profond innovant « Shennong », qui offre une nouvelle façon de cribler les médicaments antitumoraux. La recherche connexe a été publiée dans National Science Review.

| Statistiques du flux de travail et des ensembles de données cellulaires de l'atlas unicellulaire pan-tumoral (toutes les images de cet article proviennent du laboratoire Liangzhu)

À l’heure actuelle, le criblage de médicaments antitumoraux repose principalement sur l’analyse des données de séquençage du transcriptome pour comprendre les informations génétiques d’un grand groupe de cellules tumorales et juger de l’effet du médicament. Mais cette approche ignore souvent la complexité de la tumeur, où chaque cellule peut être différente et où les cellules tumorales et leur environnement peuvent s’influencer mutuellement. De plus, de nombreuses études se concentrent sur un seul type de cancer et ne parviennent pas à tirer parti des points communs possibles entre différents cancers.

Il est donc urgent de développer des méthodes de criblage de médicaments basées sur des cartes pan-tumorales unicellulaires, qui sont comme une « carte cellulaire » détaillée qui enregistre les caractéristiques de chaque cellule dans différents types de tumeurs. En analysant ces données cellulaires, les chercheurs peuvent examiner plus efficacement les médicaments antitumoraux au niveau microscopique et acquérir une meilleure compréhension des mécanismes d’action des médicaments et des effets secondaires potentiels.

Les méthodes traditionnelles de dépistage ou de découverte de médicaments sont souvent longues et coûteuses. L’intelligence artificielle et les méthodes d’apprentissage automatique accélèrent le processus de découverte et de développement de médicaments. Les chercheurs ont présenté le cadre Shennong, qui constitue un exemple innovant de ce type d’approche.

| Processus de construction et orientation de l'application du cadre Shennong

Le cadre Shennong peut observer simultanément les réponses de dizaines de milliers de cellules après exposition à des médicaments. Différent d'un simple jugement « valide/invalide », il comprend et décrit les changements dans chaque cellule à partir de plusieurs dimensions. Le système d’analyse utilise un modèle d’apprentissage profond, comme un « détective de drogue » capable de traiter rapidement des quantités massives d’informations.

Il peut non seulement extraire les caractéristiques les plus critiques des réponses cellulaires, mais aussi décrire ces changements de manière probabiliste : au lieu de simplement dire « ce médicament est efficace pour ce type de cellule », il peut décrire en détail « quelle est la probabilité que ce médicament soit efficace et de quelle manière il affecte la cellule ». Cette approche analytique méticuleuse permet aux chercheurs d’acquérir une compréhension plus complète du mécanisme d’action d’un médicament et même de découvrir de nouvelles utilisations pour le médicament.

Lorsque le cadre Shennong est appliqué à l'atlas des cellules pan-tumorales, il peut non seulement prédire les effets et les effets secondaires des médicaments et aider à sélectionner les médicaments, mais également découvrir certains médicaments approuvés qui peuvent être utiles pour d'autres cancers.

Par exemple, il a été découvert que le médicament contre le cancer du sein « exémestane » avait un effet antiprolifératif significatif sur les cellules cancéreuses du poumon, et cette découverte a été confirmée dans un essai clinique de phase I.

| Comparaison d'ensembles de données tiers

Pour vérifier l’exactitude du cadre Shennong, les chercheurs ont également comparé ses résultats de prédiction avec ceux d’autres ensembles de données tiers. Les résultats ont montré que le cadre était capable d'extraire des caractéristiques uniques et communes des cellules à partir de données provenant de différentes sources, et les résultats de prédiction avaient un chevauchement de 30% à 45%, ce qui montre que le cadre Shennong a une bonne robustesse et une bonne capacité de généralisation.

« Le cadre Shennong démontre une bonne robustesse et une bonne interprétabilité, et devrait améliorer considérablement l'efficacité et la précision du dépistage des médicaments et accélérer le processus de développement de nouveaux médicaments », a déclaré une personne concernée en charge de l'équipe du laboratoire Liangzhu.

(Source : Chao News, Laboratoire Liangzhu)