Home » Des algorithmes d’apprentissage automatique font la lumière sur les paires néo-antigènes lymphocytes T-récepteurs – –

Des algorithmes d’apprentissage automatique font la lumière sur les paires néo-antigènes lymphocytes T-récepteurs – –

by Les Actualites

Des chercheurs et des scientifiques des données de l’UT Southwestern Medical Center et du MD Anderson Cancer Center ont développé une technique d’intelligence artificielle qui peut identifier les peptides de surface cellulaire produits par les cellules cancéreuses appelées néo-antigènes qui sont reconnus par le système immunitaire.

La technique pMTnet, détaillée en ligne dans Nature Machine Intelligence, pourrait conduire à de nouvelles façons de prédire le pronostic du cancer et la réactivité potentielle aux immunothérapies.

“Déterminer quels néoantigènes se lient aux récepteurs des cellules T et lesquels ne le sont pas a semblé être un exploit impossible. Mais avec l’apprentissage automatique, nous progressons”, a déclaré l’auteur principal, le Dr Tao Wang, Ph.D., professeur adjoint de population. et Data Sciences, et avec le Harold C. Simmons Comprehensive Cancer Center et le Center for Genetics of Host Defense à UT Southwestern.

Des mutations dans le génome des cellules cancéreuses les amènent à afficher différents néoantigènes à leur surface. Certains de ces néoantigènes sont reconnus par les cellules T immunitaires qui recherchent les signes de cancer et les envahisseurs étrangers, permettant aux cellules cancéreuses d’être détruites par le système immunitaire. Cependant, d’autres semblent invisibles pour les cellules T, permettant aux cancers de se développer sans contrôle.

“Pour le système immunitaire, la présence de néo-antigènes est l’une des plus grandes différences entre les cellules normales et tumorales”, a déclaré Tianshi Lu, premier co-auteur avec Ze Zhang, doctorants du laboratoire Tao Wang, qui utilise l’état de la technique -des approches bioinformatiques et biostatistiques pour étudier les implications de l’immunologie tumorale pour la tumorigenèse, les métastases, le pronostic et la réponse au traitement dans une variété de cancers. “Si nous pouvons déterminer quels néo-antigènes stimulent une réponse immunitaire, nous pourrons peut-être utiliser ces connaissances de différentes manières pour lutter contre le cancer”, a déclaré Mme Lu.

Lire aussi  Les vagues de chaleur, un risque pour les personnes âgées isolées

Être capable de prédire quels néoantigènes sont reconnus par les cellules T pourrait aider les chercheurs à développer des vaccins anticancéreux personnalisés, à concevoir de meilleures thérapies à base de cellules T ou à prédire dans quelle mesure les patients pourraient répondre à d’autres types d’immunothérapies. Mais il existe des dizaines de milliers de néo-antigènes différents, et les méthodes permettant de prédire ceux qui déclenchent une réponse des lymphocytes T se sont avérées chronophages, techniquement difficiles et coûteuses.

À la recherche d’une meilleure technique avec le soutien de subventions des National Institutes of Health (NIH) et du Cancer Prevention and Research Institute of Texas (CPRIT), l’équipe de recherche s’est tournée vers l’apprentissage automatique. Ils ont formé un algorithme basé sur l’apprentissage en profondeur qu’ils ont nommé pMTnet en utilisant des données provenant de combinaisons connues de liaison ou de non liaison de trois composants différents : les néoantigènes ; des protéines appelées complexes majeurs d’histocompatibilité (CMH) qui présentent des néoantigènes à la surface des cellules cancéreuses ; et les récepteurs des cellules T (TCR) responsables de la reconnaissance des complexes néoantigène-MHC. Ils ont ensuite testé l’algorithme par rapport à un ensemble de données développé à partir de 30 études différentes qui avaient identifié expérimentalement des paires de cellules néo-antigènes T liantes ou non liantes. Cette expérience a montré que les nouveaux algorithmes avaient un haut niveau de précision.

Les chercheurs ont utilisé ce nouvel outil pour recueillir des informations sur les néoantigènes catalogués dans The Cancer Genome Atlas, une base de données publique qui contient des informations sur plus de 11 000 tumeurs primaires. pMTnet a montré que les néoantigènes déclenchent généralement une réponse immunitaire plus forte par rapport aux antigènes associés aux tumeurs. Il a également prédit quels patients avaient de meilleures réponses aux thérapies de blocage des points de contrôle immunitaire et avaient de meilleurs taux de survie globale.

Lire aussi  Taïwan ordonne à certains techniciens de rester à l'intérieur pour lutter contre une épidémie

“En tant qu’immunologue, l’obstacle le plus important auquel est actuellement confrontée l’immunothérapie est la capacité de déterminer quels antigènes sont reconnus par quelles cellules T afin de tirer parti de ces appariements à des fins thérapeutiques”, a déclaré l’auteur correspondant Alexandre Reuben, Ph.D., professeur adjoint de Oncologie médicale thoracique-tête et cou chez MD Anderson. “pMTnet surpasse ses alternatives actuelles et nous rapproche considérablement de cet objectif.”

Parmi les autres chercheurs de l’UTSW qui ont contribué à cette étude figurent James Zhu, Yunguan Wang, Xue Xiao et Lin Xu. Parmi les autres scientifiques du MD Anderson qui ont contribué à ce travail, citons Peixin Jiang, Chantale Bernatchez, John V. Heymach et Don L. Gibbons. Le Dr Jun Wang de NYU Langone Health a également contribué à ce travail.

Le Simmons Cancer Center de l’UT Southwestern et le MD Anderson Cancer Center font partie des 51 centres complets désignés exclusifs avec le National Cancer Institute, qui comprend un effort conjoint avec le National Human Genome Research Institute pour superviser le projet Cancer Genome Atlas. L’étude a été soutenue par le NIH (subventions 5P30CA142543/TW et R01CA258584/TW), CPRIT (RP190208/TW), MD Anderson (Lung Cancer Moon Shot), la University Cancer Foundation à MD Anderson, le Waun Ki Hong Lung Cancer Research Fund , Exon 20 Group et la Fondation Rexanna pour la lutte contre le cancer du poumon.

.

You may also like

Leave a Comment

This site uses Akismet to reduce spam. Learn how your comment data is processed.