PDF Basket
Les mutations qui se produisent dans les cellules saines peuvent entraîner le développement de tumeurs. Même si les facteurs héréditaires peuvent y contribuer, certaines mutations sont causées par des facteurs environnementaux, comme les rayons UV qui affectent les cellules de la peau ou les substances cancérigènes contenues dans le tabac. Les mutations se produisent également de manière aléatoire lors de la division cellulaire, un processus biologique essentiel qui nous permet de croître et de reconstituer nos tissus.
«La plupart des mutations n’affectent pas la fonction de la cellule», explique Nuria Lopez-Bigas, coordinatrice du projet NONCODRIVERS et professeure à l’Institut de recherche en biomédecine, en Espagne. «Nous appelons cela des mutations passagères.»
Certaines mutations peuvent toutefois donner à une cellule cancéreuse la possibilité de proliférer. Une cellule présentant plusieurs de ces mutations «conductrices» peut atteindre un stade où une prolifération incontrôlée entraîne la formation d’une tumeur. Disposer d’un moyen efficace d’identifier ces mutations conductrices nous permettrait de développer de nouvelles thérapies ciblant directement ces cellules proto-cancéreuses.
Interpréter les données génétiques
Le séquençage du génome permet aux chercheurs d’identifier toutes les mutations présentes dans un échantillon tumoral, qui est susceptible d’en compter des milliers. Pourtant, la plupart de ces mutations n’ont rien à voir avec le développement du cancer.
«Pour aboutir à des traitements efficaces, nous avons estimé que l’étape interprétative devait être améliorée», explique Nuria Lopez-Bigas. «Il nous fallait pouvoir déterminer, parmi les mutations, celles qui sont de nature cancéreuse.»
Pour y parvenir, des données de séquençage génétique ont été recueillies à partir de plus de 28 000 tumeurs provenant du monde entier. Le projet NONCODRIVERS, financé par l’UE et soutenu par le Conseil européen de la recherche, a fait preuve d’innovation en ayant recours à l’intelligence artificielle pour mener l’analyse de ces données.
«Il existe déjà beaucoup de données sur les tumeurs humaines», ajoute-t-elle. «Nous voulions savoir si l’apprentissage automatique pouvait être appliqué à ces données, et nous aider à mieux différencier les mutations passagères des mutations conductrices.»
À l’aide d’un logiciel d’apprentissage automatique entraîné sur les gènes liés au cancer, l’équipe a généré un modèle capable de classer toutes les variantes possibles des gènes liés au cancer en tant que mutations conductrices ou passagères. Jusqu’à présent, Nuria Lopez-Bigas et son équipe ont réussi à produire des cartes de mutations conductrices pour 84 gènes liés au cancer.
Vers des traitements personnalisés
Le fait de savoir où se trouvent les mutations conductrices relatives à un type de cancer spécifique pourrait procurer d’énormes avantages aux patients. Au lieu d’administrer une cure générique de chimiothérapie, susceptible de détruire des cellules qui n’ont rien à voir avec le développement du cancer, des médicaments plus personnalisés peuvent être administrés pour cibler ces mutations conductrices. «Vous vous contentez de réparer ce qui ne fonctionne pas correctement», explique Nuria Lopez-Bigas.
Les résultats du projet sont déjà appliqués en milieu clinique. L’outil Cancer Genome Interpreter, développé dans le cadre du projet et disponible gratuitement en ligne, peut être téléchargé et utilisé par les chercheurs et les professionnels de la santé. Il les aide à identifier les biomarqueurs potentiels liés à certains types de cancers. Les utilisateurs saisissent le type de cancer, ainsi que des informations plus spécifiques et personnalisées, afin de recevoir des informations sur les réactions prévisibles aux médicaments.
«À ce jour, notre résultat principal consiste à avoir procédé à une démonstration réussie de cette technologie», fait-elle remarquer. «Nous avons montré que nous pouvions construire des modèles informatiques informatifs si nous disposions de suffisamment de données. Toutefois, il nous faut désormais davantage de données, afin de pouvoir générer plus de modèles pour un plus grand nombre de gènes et de types de cancer. Plus nous aurons de données à notre disposition, plus nous obtiendrons de résultats.»
Nuria Lopez-Bigas reconnaît également qu’il convient de poursuivre la personnalisation de l’outil. La collecte de données supplémentaires constituera donc une prochaine étape essentielle. «Quand une mutation est identifiée comme conductrice pour le cancer du poumon, par exemple, il peut arriver qu’elle ne s’avère pas vraiment conductrice pour un patient particulier», explique-t-elle. «Beaucoup d’éléments doivent être pris en compte, notamment l’âge du patient, le fait qu’il fume ou pas, et la présence d’autres mutations dans la cellule.»
Toute information contextuelle supplémentaire est donc susceptible d’améliorer la précision de l’outil. Cela dit, avec l’augmentation du nombre de données prises en compte, les modèles deviennent de plus en plus complexes. «NONCODRIVERS nous donne l’impression d’être sur un chemin de randonnée», conclut Nuria Lopez-Bigas. «Nous pouvons voir le sommet de la montagne, mais il est encore très loin. Nous venons de débuter ce périple.»