Méthode quantique révolutionne la prédiction du neuroblastome chez l’enfant

L’impasse des données massives en oncologie

L’intelligence artificielle conventionnelle et l’apprentissage automatique (IA/ML) souffrent d’une dépendance critique aux volumes de données. Pour être efficaces, ces modèles exigent généralement beaucoup plus d’échantillons de patients que de caractéristiques génétiques. Cette exigence rend les approches classiques inadaptées aux essais cliniques, qui ne regroupent souvent que 20 à 100 participants. L’écart est vertigineux. Un modèle de langage récent analysant le génome du virus COVID-19, composé de 30 000 nucléotides, a nécessité environ 110 millions d’échantillons. Si l’on transpose cette logique au génome humain de 3 milliards de nucléotides, l’Université de l’Utah souligne qu’une approche d’IA conventionnelle aurait besoin de 33 billions de patients pour atteindre une précision similaire. Dans le cas du neuroblastome — le cancer infantile le plus courant, où des cellules nerveuses précoces prolifèrent sans contrôle — le diagnostic ne suffit pas. Certains cas se résolvent d’eux-mêmes, tandis que d’autres exigent des interventions agressives. Jusqu’ici, tenter d’associer des traitements à des mutations d’un seul gène a produit des succès limités. « C’est bien plus qu’un seul gène — tout ce qui se passe dans les cellules du patient compte » Orly Alter, professeure associée en génie biomédical

Décompositions spectrales et superposition quantique

Pour contourner l’obstacle du volume de données, Orly Alter et ses collaborateurs ont utilisé les mathématiques de la mécanique quantique. Ils ont mis au point des algorithmes appelés décompositions spectrales comparatives multitenseurs, s’appuyant sur les concepts d’intrication et de superposition. Le fonctionnement s’apparente à celui d’un prisme décomposant la lumière blanche en couleurs individuelles. La technique fragmente les multiples couches de données moléculaires d’un patient — notamment les génomes de la tumeur et du sang, ainsi que l’ARN qui stimule la croissance cancéreuse — en modèles liés capables de prédire l’état de santé. « Notre approche quantique nous permet de trouver les informations pertinentes dans chaque couche de données, par exemple, à partir du sang des patients en plus de leurs tumeurs » Orly Alter, professeure associée en génie biomédical

Résultats sur le neuroblastome et survie des patients

L’équipe a testé cette méthode sur des données open-source de cas de neuroblastome. L’analyse a permis de découvrir deux nouveaux prédicteurs de l’espérance de vie des patients en réponse au traitement. Ces indicateurs ont systématiquement surpassé les biomarqueurs standards en analysant l’ADN tumoral et sanguin ainsi que l’ARN tumoral. La fiabilité de l’outil a été confirmée sur des groupes distincts d’enfants traités à différentes époques et dans différents hôpitaux. Cette reproductibilité suggère que la méthode peut être généralisée à la population globale pour affiner le parcours de soins et le développement de nouveaux médicaments. « Même pour très peu de patients, nous pouvons tout prendre en compte — leurs millions ou milliards de caractéristiques moléculaires — et leur donner un sens. Nous pouvons, par conséquent, comprendre les mécanismes de la maladie et prédire des cibles médicamenteuses pour améliorer les résultats des patients. Nous validons également nos prédictions de cibles et de résultats d’IA/ML expérimentalement, ce qui est largement considéré comme le Graal de la biotechnologie » Orly Alter, professeure associée en génie biomédical

L’alternative aux boîtes noires de l’IA

L’un des principaux obstacles de l’IA moderne, notamment avec les réseaux de neurones, est l’opacité des décisions, souvent qualifiées de « boîtes noires ». Le modèle développé par l’Institut d’imagerie scientifique et l’Huntsman Cancer Institute se distingue par son interprétabilité. Au lieu de fournir un résultat sans explication, les prédicteurs de ce système pointent directement vers des mécanismes pathologiques et suggèrent des gènes spécifiques à cibler pour rendre les tumeurs plus sensibles aux traitements. Cette transparence transforme l’outil de simple prédicteur en guide thérapeutique. « Les modèles de réseaux neuronaux sont des boîtes noires, mais nos prédicteurs sont interprétables ; ils pointent vers des mécanismes de maladie et suggèrent des gènes à cibler pour sensibiliser les tumeurs au traitement » Orly Alter, professeure associée en génie biomédical L’ambition finale est d’atteindre une personnalisation absolue du soin. Pour Orly Alter, l’étape suivante consiste à déterminer si les données d’un seul individu peuvent suffire à concevoir un traitement sur mesure. Elle affirme : « C’est cela, la médecine de précision ultime ». L’application de ces algorithmes ne s’arrête pas à l’oncologie. Puisque les outils sont agnostiques vis-à-vis des données, ils pourraient être déployés dans d’autres domaines médicaux, voire totalement en dehors de la médecine. « Vous avez une seule personne. Pouvez-vous prendre les données de cette seule personne et concevoir un traitement pour elle ? Je pense que nous pouvons y parvenir » Orly Alter, professeure associée en génie biomédical <!– /wp:quote Cette approche révolutionnaire pourrait transformer durablement les pratiques médicales en offrant des solutions thérapeutiques individualisées à grande échelle.

Find more reporting in our Technologie et science section.