Exploiter les mégadonnées pour combattre le cancer pédiatrique
Le traitement du cancer chez l’enfant pose de nombreux problèmes aux professionnels de la santé. Le cancer pédiatrique est relativement rare par rapport au cancer chez l’adulte, et les options de traitement ne sont pas toujours aussi efficaces qu’on pourrait l’espérer. Cela s’explique en partie par le fait que les cellules cancéreuses subissent de nombreux changements (mutations) aléatoires. Il en résulte que chaque cancer affiche une combinaison essentiellement unique de caractéristiques moléculaires. «Les approches thérapeutiques traditionnelles ne sont par conséquent pas toujours efficaces», explique Michelle Kölbl, membre du projet iPC, de Technikon en Autriche. «Cette situation est responsable d’un manque de thérapies ciblées, de prévisions inexactes du niveau de risque, de sur-traitement et d’une piètre qualité de vie pour les jeunes patients.»
Cibler les profils moléculaires individuels des cancers
Pour résoudre ce problème, le projet iPC financé par l’UE a cherché à adapter spécifiquement les combinaisons de traitements au profil moléculaire de chaque cancer. L’idée était de maximiser les guérisons et de minimiser les effets secondaires des traitements à court et long terme. L’équipe du projet entendait plus particulièrement cibler les options thérapeutiques limitées pour les enfants atteints de cancers pédiatriques tels que l’hépatoblastome (HB), un cancer qui se forme dans les tissus entourant le foie. L’équipe voulait se concentrer sur les patients atteints de tumeurs avancées. Le côté unique du projet tient au développement et à l’application de l’apprentissage automatique et de modèles mécanistes pour prévoir les thérapies optimales pour chaque enfant. Pour atteindre ses objectifs, le projet a réuni une équipe pluridisciplinaire de professionnels de la santé et des instituts de recherche, ainsi que d’experts en mégadonnées et en modélisation informatique. «Nous avons fait appel à de nouvelles approches informatiques et expérimentales pour analyser des ensembles de données à grande échelle», ajoute Michelle Kölbl. «Nous avons évalué des modèles expérimentaux et des biopsies de patients, afin d’identifier des pistes thérapeutiques potentielles. Nous les avons ensuite testés dans des modèles cellulaires et animaux.» L’équipe du projet a étudié l’efficacité des médicaments chez les patients souffrant d’HB, en particulier chez ceux présentant le sous-type agressif C2 associé à des résultats cliniques pessimistes. L’approche s’est appuyée sur des données publiques.
Intégration de technologies avancées
Le projet a permis de démontrer l’efficacité de l’utilisation de modèles informatiques avancés pour intégrer systématiquement de grandes quantités de données. L’intégration de modèles mécanistes, statistiques et d’intelligence artificielle avancés dans un cadre de patient virtuel a permis à l’équipe d’effectuer des analyses moléculaires approfondies et de formuler des recommandations de traitement. «L’identification de médicaments pour des cancers pédiatriques rares tels que l’HB a sans conteste été l’un des principaux résultats de ce travail», explique Michelle Kölbl. «Ce travail a, par exemple, mené à l’identification des inhibiteurs de la kinase 9 dépendante de la cycline (CDK9), appelés alvocidib et dinaciclib, en tant que puissants inhibiteurs de la croissance de l’HB pour les patients présentant le sous-type moléculaire C2 à haut risque.» Parmi les autres étapes clés citons de nouvelles méthodologies pour la modélisation personnalisée du système immunitaire, des rapports d’analyse moléculaire automatisés et complets des tumeurs, et une plateforme en ligne sécurisée pour l’accès universel aux modèles.
Intégrer des approches thérapeutiques en milieu clinique
Les prochaines étapes consisteront à davantage valider ces résultats et à étudier la manière d’introduire les approches thérapeutiques identifiées en milieu clinique. «Le cadre développé permettra aux cliniciens de disposer d’outils informatiques pour des poser des diagnostics et des recommandations de traitement personnalisés», ajoute Michelle Kölbl. «À long terme, nous espérons que ce projet démontrera l’utilité des méthodes informatiques pour l’identification de traitements efficaces contre les cancers pédiatriques rares, en proposant de nouvelles options thérapeutiques et en améliorant potentiellement les résultats cliniques au profit des patients.»
Mots‑clés
iPC, cancer, informatique, médicaments, moléculaire, hépatoblastome, tumeurs, mégadonnées
