L’intelligence artificielle et l’apprentissage automatique sont parmi les derniers outils utilisés par les chercheurs sur le cancer pour aider à la détection et au traitement de la maladie.
L’un des scientifiques travaillant dans cette nouvelle frontière de la recherche sur le cancer est Ryan Layer, PhD, membre du Centre de cancérologie de l’Université du Colorado, qui a récemment publié une étude détaillant ses recherches qui utilisent les mégadonnées pour trouver des mutations cancéreuses dans les cellules.
“Identifier les changements génétiques qui font que les cellules saines deviennent malignes peut aider les médecins à sélectionner des thérapies qui ciblent spécifiquement la tumeur”, explique Layer, professeur adjoint d’informatique à CU Boulder. “Par exemple, environ 25 % des cancers du sein sont HER2-positifs, ce qui signifie que les cellules de ce type de tumeur ont des mutations qui les amènent à produire davantage d’une protéine appelée HER2 qui les aide à se développer. Les traitements qui ciblent spécifiquement HER2 ont considérablement augmenté la survie. taux pour ce type de cancer du sein.
Les scientifiques peuvent évaluer l’ADN cellulaire pour identifier les mutations, dit Layer, mais le défi est que le génome humain est massif et que les mutations font partie intégrante de l’évolution.
“Le génome humain est assez long pour remplir un livre de 1,2 million de pages, et deux personnes peuvent avoir environ 3 millions de différences génétiques”, dit-il. “Trouver une mutation cancérigène dans une tumeur, c’est comme trouver une aiguille dans une pile d’aiguilles.”
Numérisation des données
La méthode idéale pour déterminer le type de mutation cancéreuse d’un patient consiste à comparer deux échantillons du même patient, l’un de la tumeur et l’autre de tissus sains. De tels tests peuvent être compliqués et coûteux, cependant, Layer a eu une autre idée : utiliser d’énormes bases de données ADN publiques pour rechercher des mutations cellulaires communes qui ont tendance à être bénignes, afin que les chercheurs puissent identifier des mutations plus rares qui ont le potentiel d’être cancéreuses.
“Il y avait un projet appelé Genome Aggregation Database, ou gnomAD, du Broad Institute, où ils ont rassemblé un tas d’études différentes qui se déroulaient au sein du Broad dans la plus grande base de données génétiques à laquelle quiconque ait jamais pensé, ” dit Couche. “C’était 65 000 personnes au début, et maintenant c’est environ un demi-million de personnes. À l’époque, j’étais à l’Université de l’Utah pour faire des recherches dans la clinique des maladies rares non diagnostiquées, et l’utilité de cette base de données était tout simplement incroyable.”
Même s’il était capable de séquencer un enfant atteint de cancer et ses parents, dit Layer, il y avait souvent tellement de mutations génétiques qu’il était difficile de déterminer laquelle causait la maladie. À l’aide de gnomAD, il a pu voir à quelle fréquence une certaine variante se produisait dans une population plus large, réduisant considérablement le nombre de cibles thérapeutiques.
Vérification des variantes
Inspiré par cette expérience, Layer a commencé à chercher d’autres façons d’utiliser les mégadonnées pour identifier les mutations potentiellement cancéreuses. Sachant que la détection de mutations complexes de l’ADN appelées variantes structurelles (SV) peut souvent entraîner des faux négatifs, lui et ses collègues ont développé un processus qui se concentre sur la vérification plutôt que sur la détection. Cette méthode recherche dans les données brutes de milliers d’échantillons d’ADN toute preuve à l’appui d’une variante structurelle spécifique.
“Nous avons scanné les SV identifiés dans des études antérieures sur le cancer et avons constaté que des milliers de SV précédemment associés à des cancers apparaissent également dans des échantillons sains normaux”, explique Layer. “Cela indique que ces variantes sont plus susceptibles d’être des séquences héréditaires bénignes plutôt que des séquences pathogènes.”
L’équipe a également constaté que sa méthode fonctionnait aussi bien que la stratégie traditionnelle qui nécessite à la fois des échantillons tumoraux et sains, ouvrant la porte à la réduction des coûts et à l’augmentation de l’accessibilité d’une analyse de haute qualité des mutations cancéreuses.
“Avec toutes les données qui existent pour le cancer, nous avons pu montrer que cette méthode est vraiment puissante pour identifier non pas nécessairement la mutation motrice du cancer, mais quelles variantes sont uniques à la tumeur, par rapport au reste de votre corps”, dit-il. . “De cette façon, le traitement des tumeurs peut devenir super personnalisé. Nous pouvons dire : ‘Si vous avez cette mutation, utilisez ce médicament ; si vous n’avez pas cette mutation, n’utilisez pas ce médicament.'”
Partager la recherche
Le laboratoire de Layer a maintenant déployé un site Web où les médecins peuvent saisir des informations sur les variantes structurelles trouvées dans une tumeur de patient pour voir à quel point elles sont courantes – et potentiellement dangereuses. Il cherche également à créer un ensemble de données plus vaste axé sur le cancer pour aider à mieux comprendre comment et où les tumeurs se forment.
“Notre travail jusqu’à présent a consisté à prendre une variante structurelle et à voir à quelle fréquence elle est dans une population en bonne santé”, dit-il. “Mais que se passe-t-il si nous créons des index qui vous permettent d’effectuer des recherches dans nos populations ? Supposons que vous préleviez un échantillon d’une tumeur dans un poumon et que vous trouviez des variantes structurelles ; vous pouvez désormais rechercher celles contre le cancer de la prostate, le cancer du sein et tous les autres cancers. , et cela pourrait vous aider à identifier “Quelle est l’origine de la tumeur ?” “A-t-il métastasé ou est-il originaire du poumon?” Nous pouvons effectuer des recherches dans les bases de données sur les tumeurs pour essayer de trouver d’autres tumeurs appariées pour des traitements plus personnalisés inspirés par la médecine.”