Une nouvelle méthode combine la nanoinformatique et l’IA pour faire progresser la prévision du cancer

Une étude récente a introduit une nouvelle méthode combinant la nanoinformatique et l’apprentissage automatique pour prédire avec précision les comportements des cellules cancéreuses, permettant ainsi l’identification de sous-populations cellulaires présentant des caractéristiques distinctes telles que la sensibilité aux médicaments et le potentiel métastatique.

Cette recherche pourrait transformer le diagnostic et le traitement du cancer, en améliorant la médecine personnalisée en facilitant des tests rapides et précis du comportement des cellules cancéreuses à partir des biopsies des patients et en conduisant potentiellement au développement de nouveaux tests cliniques pour surveiller la progression de la maladie et l'efficacité du traitement.

Dans le cadre d'une avancée importante dans la lutte contre le cancer, une équipe de recherche de l'Université hébraïque a développé une nouvelle méthode pour prédire le comportement des cellules cancéreuses avec une grande précision. Cette approche innovante, combinant nanoinformatique et apprentissage automatique, pourrait révolutionner le diagnostic et le traitement du cancer en permettant l’identification rapide de sous-populations de cellules cancéreuses présentant des comportements biologiques variés.

Dans une nouvelle étude dirigée par le doctorant Yoel Goldstein et le professeur Ofra Benny de l'École de pharmacie de la Faculté de médecine, en collaboration avec le professeur Tommy Kaplan, chef du département de biologie computationnelle de l'École d'ingénierie et d'informatique de Université Hébraïque, L'Université Hébraïque, une méthode innovante a été développée pour prédire le comportement des cellules cancéreuses à l'aide de la nanoinformatique et de l'apprentissage automatique. La recherche est publiée dans la revue Avancées scientifiques.

Cette découverte pourrait conduire à une avancée significative dans le diagnostic et le traitement du cancer, permettant l’identification de sous-populations de cellules cancéreuses présentant des caractéristiques différentes grâce à des tests simples et rapides.

La phase initiale de l’étude consistait à exposer les cellules cancéreuses à des particules de différentes tailles, chacune identifiée par une couleur unique. Par la suite, la quantité précise de particules consommées par chaque cellule a été quantifiée. Les algorithmes d’apprentissage automatique ont ensuite analysé ces modèles d’absorption pour prédire les comportements cellulaires critiques, tels que la sensibilité aux médicaments et le potentiel métastatique.

“Notre méthode est nouvelle dans sa capacité à distinguer des cellules cancéreuses qui semblent identiques mais se comportent différemment au niveau biologique”, a expliqué Goldstein.

« Cette précision est obtenue grâce à l'analyse algorithmique de la manière dont les micro et nanoparticules sont absorbées par les cellules. Être capable de collecter et d'analyser de nouveaux types de données ouvre de nouvelles possibilités dans ce domaine, avec le potentiel de révolutionner le traitement clinique et le diagnostic grâce au développement de nouveaux outils.”

La recherche a ouvert la voie à de nouveaux types de tests cliniques qui pourraient avoir un impact significatif sur les soins aux patients. “Cette découverte nous permet d'utiliser potentiellement des cellules provenant de biopsies de patients pour prédire rapidement la progression de la maladie ou la résistance à la chimiothérapie”, a déclaré le professeur Benny.

“Cela pourrait également conduire au développement de tests sanguins innovants évaluant par exemple l'efficacité de traitements d'immunothérapie ciblés.”

Les outils actuels de prévision et de détection du cancer manquent souvent de précision et d’efficacité. Les méthodes traditionnelles telles que l’imagerie et les biopsies tissulaires peuvent être invasives, coûteuses et longues, entraînant des retards de traitement et des erreurs de diagnostic potentielles.

Ces approches pourraient ne pas saisir la nature dynamique de la progression du cancer et donner lieu à des informations limitées sur le comportement de la maladie au niveau cellulaire. Par conséquent, les patients peuvent subir des retards de diagnostic, des résultats de traitement sous-optimaux et une détresse psychologique accrue.

Cela met en évidence le besoin urgent d’outils de diagnostic plus efficaces et non invasifs, comme la récente percée réalisée par des chercheurs de l’Université hébraïque, qui représente une avancée significative dans la médecine personnalisée, laissant espérer des stratégies de traitement plus efficaces et personnalisées pour les patients atteints de cancer.