Publié le 17 février 2024 05:08:00. Des chercheurs de l’Université du Michigan ont développé un jumeau numérique basé sur l’intelligence artificielle capable de reproduire les gliomes, des tumeurs cérébrales agressives, afin de mieux comprendre leur métabolisme et d’identifier des traitements plus personnalisés.
- Un jumeau numérique, une réplique virtuelle du cerveau d’un patient, permet aux scientifiques de simuler l’impact de différentes interventions médicales.
- L’étude se concentre sur deux processus clés de croissance tumorale : la synthèse des nucléotides et la consommation de sérine.
- Des essais préliminaires sur des souris ont montré qu’une modification du régime alimentaire, en limitant l’apport en sérine, pouvait réduire la taille des tumeurs.
Des chercheurs de l’Université du Michigan ont mis au point une approche innovante pour lutter contre les gliomes, des tumeurs cérébrales particulièrement complexes et agressives. Leur travail, publié le 6 janvier dans la revue Cell Metabolism, repose sur la création d’un « jumeau numérique » – une réplique virtuelle de la tumeur – grâce à l’apprentissage automatique. Cette technologie promet de révolutionner la manière dont les traitements sont conçus et adaptés à chaque patient.
Selon Daniel Wahl, professeur agrégé de radio-oncologie et co-auteur de l’étude, le jumeau numérique offre une opportunité unique d’étudier et de manipuler virtuellement un système biologique complexe.
« Un jumeau numérique est une représentation virtuelle d’une propriété physique qui existe dans le monde réel. Avoir une représentation virtuelle du système vous permet de l’étudier et de le perturber virtuellement, vous pouvez donc déterminer ce qui arrivera à votre système réel si vous apportez une modification. »
Daniel Wahl, professeur agrégé de radio-oncologie
L’étude s’inscrit dans un domaine de recherche en plein essor, celui de la dépendance métabolique, qui explore les facteurs métaboliques spécifiques à chaque tumeur. Ces facteurs, d’origine génétique, environnementale ou moléculaire, influencent la manière dont les cellules cancéreuses produisent de l’énergie et se développent. Comprendre ces mécanismes est crucial pour identifier des cibles thérapeutiques potentielles.
Baharan Meghdadi, doctorante en génie chimique et co-auteure de l’étude, explique que les chercheurs se sont particulièrement intéressés à deux voies métaboliques : la synthèse des nucléotides, nécessaire à la prolifération cellulaire, et la consommation de sérine, un acide aminé essentiel à la croissance tumorale.
« Le modèle d’apprentissage automatique, encore une fois, pourrait faire la distinction entre ces voies et trouver la contribution de chacune de ces voies chez chaque patient. Et donc, sur la base de la prédiction du modèle… nous avons utilisé un régime sans sérine ni glycine chez ces souris, ce qui a contribué à réduire la taille de la tumeur chez ces souris, et cette expérience valide la prédiction de notre modèle. »
Baharan Meghdadi, doctorante en génie chimique
Les premiers essais, menés sur des souris, ont révélé que certaines d’entre elles étaient particulièrement dépendantes de la production de sérine. En ajustant leur régime alimentaire pour limiter l’apport en sérine, les chercheurs ont observé une réduction significative de la taille des tumeurs. Cette découverte suggère qu’une approche nutritionnelle personnalisée pourrait être une stratégie prometteuse pour traiter les gliomes.
Pour élaborer des plans de traitement individualisés, les chercheurs ont utilisé un modèle des premiers principes, basé sur les lois fondamentales de la biochimie. Ce modèle permet de simuler la manière dont une tumeur traite les nutriments et d’évaluer l’activité métabolique au niveau cellulaire.
Deepak Nagrath, professeur de génie biomédical et co-auteur de l’étude, souligne l’importance de cette approche pour combler les lacunes des données disponibles sur les patients.
« Notre modèle utilise les données disponibles pour développer ce jumeau numérique. Si vous souhaitez utiliser directement les données limitées des patients, nous ne sommes pas en mesure d’estimer le métabolisme in vivo chez les patients. Mais en utilisant cette approche basée sur l’apprentissage automatique, qui est couplée au modèle des premiers principes, cette approche hybride nous permet d’étendre et d’importer des données et (augmente) l’étendue des données disponibles sur les patients et de résoudre certains des problèmes. »
Deepak Nagrath, professeur de génie biomédical
Bien que l’étude ait pour l’instant porté sur un nombre limité de patients (huit), les chercheurs prévoient d’élargir leur base de données afin de valider et d’affiner leur modèle. L’objectif est de rendre cette technologie accessible aux oncologues afin qu’ils puissent identifier plus précisément les facteurs qui favorisent la croissance tumorale et déterminer les thérapies les plus efficaces pour chaque patient.
« Les données n’étaient disponibles que pour huit patients, et idéalement, nous aurions besoin de centaines de patients », a déclaré Nagrath. « Mais à mesure que nous grandissons et que les ressources sont disponibles, nous pourrons les utiliser. »