La médecine personnalisée deviendra bientôt une réalité
Il est fréquent que des patients atteints d'une même maladie répondent différemment à un traitement donné. Ce phénomène a été attribué à la variabilité génétique entre les individus, car l'expression des gènes détermine comment les médicaments vont être traités à l'intérieur du corps. Pour minimiser les effets secondaires ou l'échec de la réponse au traitement, les scientifiques doivent identifier les gènes mis en cause dans les résultats du traitement. Au fil des années, des progrès considérables ont été réalisés pour obtenir des informations moléculaires et génomiques sur des patients individuels. Le génome de patients a même été séquencé. Ces informations restent cependant largement inexploitées pour la mise en œuvre d'une médecine personnalisée. Pour remédier à ce problème, le projet MLPM2012(s’ouvre dans une nouvelle fenêtre), financé par l'UE, a exploré le domaine de l'apprentissage automatique, qui utilise des outils informatiques pour détecter des motifs, des règles et des dépendances statistiques dans de grands ensembles de données. L'idée était de créer des algorithmes pour analyser l'ADN humain et rechercher des motifs correspondant à une réponse donnée à un médicament. MLPM2012 a réuni des institutions universitaires de sept pays à travers le monde. En collaboration avec des partenaires industriels de premier plan, elles ont formé la prochaine génération de scientifiques sur les domaines scientifiques concernés, comme l'apprentissage automatique et la génétique. D'un point de vue scientifique, l'objectif était de développer des techniques d'apprentissage automatique afin de trouver, chez des patients, des propriétés moléculaires susceptibles d'être exploitées pour le diagnostic, le pronostic et le théranostic. Les chercheurs ont élaboré des techniques supplémentaires pour explorer les causes biologiques et les mécanismes des maladies, ainsi que pour prévoir des phénotypes cliniques en fonction des interactions entre la génétique, l'épigénétique et les facteurs environnementaux. Les méthodes d'apprentissage automatique mises au point pour rechercher des biomarqueurs prenaient en compte la grande quantité de données omiques, les exigences de calcul et les différentes échelles de mesure entre les échantillons. En utilisant ces techniques, les scientifiques ont étudié le rôle des voies de signalisation dans divers types de cancer et identifié les mécanismes moléculaires expliquant l'effet anticancéreux du silvestrol. Globalement, les activités de l'initiative MLPM2012 ont posé les bases de l’exploitation des données hétérogènes des patients afin de découvrir des biomarqueurs efficaces pour le diagnostic, le pronostic et les prévisions des résultats de la thérapie.
