Personnalisation des traitements contre le cancer grâce à l’apprentissage machine

Des chercheurs de l’École d’informatique David-R.-Cheriton de la University of Waterloo ont appliqué l’apprentissage machine à l’identification des antigènes spécifiques d’une tumeur, une technique qui pourrait permettre la fabrication de vaccins personnalisés contre le cancer.

Dans les cas de cancer, lorsqu’une mutation survient dans l’ADN d’une cellule, une substitution se produit. Cette substitution signale à notre système immunitaire qu’un envahisseur est présent. se mobilise alors en ciblant les néoantigènes, des peptides mutés qui se retrouvent à la surface des cellules cancéreuses.

« Si nous parvenons à identifier les néoantigènes sur les cellules cancéreuses, nous pourrons utiliser cette information pour développer un vaccin contre le cancer – un vaccin personnalisé qui mobilisera le système immunitaire du patient afin d’attaquer la tumeur », explique Hieu Tran, professeur associé à l’École d’informatique David-R.-Cheriton.

« Le corps sait lorsqu’une cellule devient cancéreuse », ajoute Ming Li, professeur à ce même établissement et titulaire de la Chaire de recherche du Canada en bioinformatique. « C’est que le système des antigènes leucocytaires humains (HLA), qui est responsable de la régulation du système immunitaire, peut reconnaitre si un peptide à la surface d’une cellule est normal ou a fait l’objet d’une mutation. En présence d’un peptide normal, le système immunitaire n’attaque pas la cellule. En fait, il n’attaque que les cellules ayant subi des mutations, c’est-à-dire celles comportant des néoantigènes à la surface, que l’on sait être des cellules cancéreuses. »

Trouver les néoantigènes qui caractérisent une tumeur n’est pas une mince tâche. Cela revient à chercher une aiguille dans une botte de foin. Naturellement, cette tâche est d’une difficulté effarante avec les méthodes conventionnelles. Elle n’en demeure pas moins cruciale si l’on veut développer un vaccin personnalisé contre le cancer.

Médecine sur mesure

Les acides aminés sont les éléments de base des peptides et, en fin de compte, des molécules qui forment les protéines. Sans eux, nous n’aurions pas de système immunitaire et serions incapables de digérer nos aliments, de grandir ou de nous reproduire. Par convention, on désigne les acides aminés par un code d’une lettre. Par exemple, l’alanine est désignée par la lettre « A », l’arginine par la lettre « R », l’asparagine par la lettre « N » et ainsi de suite. La séquence des acides aminés d’un peptide peut être considérée comme un mot composé de ces lettres.

« C’est un peu comme le traitement automatisé du langage naturel, dont un exemple bien connu est la fonction sur votre téléphone cellulaire qui vous propose des mots à mesure que vous tapez votre message. Si vous écrivez comment, l’appareil pourrait vous proposer vas-tu ou allez-vous », explique M. Tran.

« Nous avons appliqué un modèle d’apprentissage machine similaire pour déterminer la séquence des acides aminés des néoantigènes en nous fondant sur le code d’une lettre des différents acides aminés. Si je connais votre immunopeptidome – les milliers d’antigènes peptidiques courts comprenant de 8 à 12 acides aminés qui sont observés à la surface des cellules – et sachant qu’une seule mutation distingue un néoantigène de vos peptides endogènes, je peux créer un modèle d’apprentissage machine en utilisant la séquence des acides aminés de vos peptides normaux pour prédire la séquence des acides aminés des peptides mutés. Nous avons eu recours à un réseau neuronal récurrent – un modèle d’apprentissage machine que nous appelons DeepNovo – pour prédire la séquence des acides aminés des néoantigènes ».

Pour ce faire, les chercheurs ont téléchargé les ensembles de données de l’immunopeptidome de cinq patients atteints d’un mélanome (type de cancer de la peau) et ils se sont servi de ces données pour créer, valider et tester leur modèle d’apprentissage machine.

Ce qui est plus impressionnant encore, c’est que le modèle d’apprentissage machine est capable de personnaliser les résultats, c’est-à-dire qu’il permet d’identifier les néoantigènes de chaque patient afin qu’on puisse mettre au point un traitement et des soins personnalisés.

« L’immunothérapie est rapidement en voie de devenir la quatrième modalité de traitement du cancer, s’ajoutant ainsi à la chirurgie, à la chimiothérapie et à la radiothérapie », ajoute M. Li. « Comme chaque patient est différent et chaque cancer est différent, le traitement ne devrait pas être le même pour tous. Il devrait être parfaitement adapté au patient, et c’est exactement ce que nous permet de faire notre modèle d’apprentissage machine personnalisé. »

Le présent article est une traduction et une adaptation d’un article de la  University of Waterloo. Il est publié avec l’autorisation de cet établissement.

Récit suivant